Search academic texts

Information × Registration Number 2120U001330, Article popup.category Стаття Title popup.author popup.publication 01-01-2020 popup.source_user Сумський державний університет popup.source https://essuir.sumdu.edu.ua/handle/123456789/78284 popup.publisher Sumy State University Description У цьому дослідженні представлено моделювання штучної нейронної мережі (ANN) просторових характеристик кремнієвих сонячних елементів. Набір даних отримано з досліджень кремнієвих сонячних елементів, проведених в університеті Шиваджі, Індія. Сонячні елементи на основі кремнію надзвичайно популярні завдяки високій ефективності та більш тривалому терміну експлуатації. ANN – це математична модель на основі біологічних нейронних систем, призначених для збору взаємозв'язків даних для забезпечення більшої точності прогнозування. Представлене дослідження спрямоване на створення найкращої можливої моделі ANN шляхом налаштування таких параметрів, як алгоритм навчання, функція активації та кількість нейронів у прихованих шарах. Таким чином, створена модель ANN включає три нейрони у прихованому шарі та функцію логістичної активації для керованого навчання. У роботі також знайдено середньоквадратичну помилку (RMSE) для оцінки працездатності моделі. This research presents Artificial Neural Network (ANN) modelling of silicon solar cells’ spatial characteristics. The dataset for the present study is acquired from the research on silicon solar cells carried out at Shivaji University, India. The silicon-based solar cells are exceptionally popular due to their high efficiency and longer lifetime. An ANN is a mathematical model based on biological neural systems skilled to capture relationship in data to provide higher forecast accuracy. The present investigation aimed at building best possible ANN architecture by tweaking the parameters such as learning algorithm, activation function and number of neurons in hidden neurons. Thus, derived ANN architecture involves three neurons in the hidden layer and logistic activation function for supervised learning. Root Mean Square Error (RMSE) estimate of error rate is used here for assessing the performance of the model. popup.nrat_date 2025-03-24 Close