USO DE TÉCNICAS DE APRENDIZADO DE MÁQUINA NA PREDIÇÃO DE PROPRIEDADES DE MOLÉCULAS DE CORANTES EM CÉLULAS SOLARES

Resumo

A energia solar é uma fonte promissora para geração de eletricidade. As células solares sensibilizadas por corante (DSSC) são dispositivos que teoricamente podem chegar a eficiências mais altas que as células convencionais de silício. Em uma DSSC, o corante é um componente essencial e deve ter alta absorbância na região visível do espectro eletromagnético. Entretanto, a busca por corantes adequados pode ser difícil, pela complexidade destas moléculas e o grande número de corantes disponíveis. No presente trabalho buscou-se utilizar métodos de aprendizado de máquina para predizer o comprimento de onda de máxima absorção de moléculas. Para isso, utilizou-se uma base de dados com resultados experimentais de propriedades ópticas de centenas de moléculas, sendo que os atributos usados nos modelos foram descritores moleculares. Foram comparados diferentes métodos de regressão (linear, polinomial, de k-vizinhos mais próximos e rede neural). O modelo gerado a partir de uma rede neural apresentou o melhor desempenho, seguido pelos modelos gerados a partir do método de regressão de k-vizinhos mais próximos, polinomial e linear.