DISCOVERY OF THERMOELECTRIC INORGANIC HALIDE PEROVSKITES MATERIALS USING MACHINE LEARNING. Masters thesis, King Fahd University of Petroleum and Minerals.

PDF EE610 Final draft_ Hassan Alsalman_201339170.pdf Restricted to Repository staff only until 3 July 2022. Download (7MB)

Arabic Abstract

خلال السنوات الأخيرة، كثرت البحوث عن مصادر فعالة للطاقة متجددة. و تعتبر مصادرالطاقة الكهروحرارية أحد الخيارات الواعد’ لما تقدمه من الإمكانات العالية والتطبيقات المتعددة. مصادرالطاقة الكهروحرارية تعتمد على المواد الكهروحرارية المستخدمة في عملية توليد الطاقة، مما خلق الحاجة إلى إيجاد مواد كهرو حرارية جديدة ذات كفاءة عالية. بينت البحوث الحالية أن أغلب المواد الكهرو حرارية تعتبر موادا منخفضة الكفاءة. و يتم تقييم هذه الكفاءة من خلال معيار تم استخدامه من العلماء و يسمى ( figure of merit (ZT. الطرق القياسية لتقدير هذا الرقم تكون إما من خلال التجارب العملية أو عن طريق الحسابات الذرية المكلفة. مما يجعل اكتشاف مواد كهروحرارية جديدة أمراً صعباً للغاية. و لكن مع وجود البيانات الهائلة المتاحة عن خصائص المواد الغير العضوية، يمكن التعامل معها عن طريق تحليل البيانات واستخدام التعلم الآلي كحل بديل. في هذا العمل، نهدف إلى تطوير معادلات للتنبؤ بمعيار الكفاءة ZT بدقة عالية لعائلة معينة من المواد الكهروحرارية (بيروفسكايت هالية غير عضوية). لتطوير هذه المعادلات, سوف نتطرق إلى تحليل معيار الكفاءة و علاقته بخصائص هذه المواد الكهربائية و الحرارية و خصائص المرونة باستخدام التعلم الآلي. لأن هذه المواد تنتمي لأشباه الموصلات, سوف يتم دراسة هذه المواد تحت مستوى موحد لكثافة الناقلات الكهربائية و عند درجة حرارة الغرفة. استخدام هذه المعادلات سيسمح بتطوير آلية مسح سريعة لاكتشاف مواد كهروحرارية جديدة.

English Abstract

In the path of finding efficient renewable energy sources, thermoelectricity is considered among the viable options with high potential. To realize it, there is a need to “find” new efficient thermoelectric materials. Currently, the most commonly used set of these materials has low efficiency. Such efficiency is assessed through a figure of merit ZT. The standard ways of estimating this figure are either through experiments or expensive atomic scale calculations, which makes the discovery of new materials extremely challenging. However, with the vast existing accessible data, the problem can be approached alternatively by machine learning. For a thermoelectric semiconductor, varying the temperature or carrier concentration introduces complex ZT behavior, besides the fact that many physical mechanisms will be involved at microscale level. By decomposing the ZT to its constituents and studying their behaviors at specific temperature and carrier concentration, a better understanding for these complex trends is acquired. By doing so, the required variables to describe the electrical and thermal transports of a thermoelectric are reduced. These considerations eventually make machine learning modeling a viable approach for this problem. In this work, we aim to develop highly accurate predictive models for a specific family of materials (inorganic halide perovskites). These materials exhibit an interesting combination of ultra-low thermal conductivity and high Seebeck coefficient, which can lead to high ZT values. For these materials, the ZT constituents: electrical, thermal conductivities and Seebeck coefficient are predicted using elastic properties and some electronic transport features. From these parameters the ZT is predicted, which shall allow a quick screening mechanism to discover novel thermoelectric materials

Item Type:	Thesis (Masters)
Subjects:	Engineering Physics Electrical
Department:	College of Engineering and Physics > Electrical Engineering
Committee Advisor:	Alharbi, Fahhad
Committee Members:	Muqaibel, Ali and Alsayoud, Abduljabar
Depositing User:	HASSAN ALSALMAN (g201339710)
Date Deposited:	05 Jul 2021 06:35
Last Modified:	05 Jul 2021 06:35
URI:	http://eprints.kfupm.edu.sa/id/eprint/141921