In recent years, thermoelectric power generators (TEGs) have attracted enormous attention as environment-friendly electric generators utilizing waste heat. However, the efficiency of these power generators is not as high as other commercially available power generators. Most of the thermoelectric material properties that affect the performance of TEGs often vary with temperature and the performance of different thermoelectric materials is limited to their corresponding certain temperature range. To account for large temperature ranges and improve the efficiency of TEGs, the segmentation of different thermoelectric materials has been extensively studied. In designing the optimal segmentation with high-efficiency outputs, one has to consider not only the figure of merit (ZT) which is the most prominent factor for the performance of a single segment TEGs but also the efficiency compatibility factor ($S_e=({\surd(1+ZT)-1)}/{\alpha T}$) of different thermoelectric materials and the interface temperatures have major impacts on enhancing the efficiency of segmented TEGs. In the application of high power outputs, power factor ($\sigma \alpha^2$) is an important criterion as a figure of merit (ZT). In this study, fast inference artificial neural network (ANN) models have been trained based on the data sets generated from COMSOL-Multiphysics (5.2) simulations for different segmentation sequences of thermoelectric materials while varying lengths of each segment, and the external load resistivity. Based on the generated training data sets, ANN models under Bayesian regularizations (BR) optimizer are formulated that accurately predict the power and efficiency of segmented TEGs. Finally, the objective function is formulated using the trained neural network and optimized using a genetic optimization algorithm (GOA) and suggested the segmented TEGs with the most favorable power and efficiency outputs.
최근, TEG (열전 발전기)는 폐열을 이용하는 친환경 발전기로서 큰 주목을 받고있다. 그러나 TEG의 효율은 다른 상용 발전기만큼 높지 않다. TEG의 성능에 영향을 미치는 대부분의 열전 재료 특성은 온도에 따라 변하며 몇몇 열전 재료들의 성능은 특정 온도 범위로 제한된다. 넓은 온도범위에서 활용 가능하고 개선된 효율을 가지는 TEG를 위해, 열전 재료들의 세그먼트화가 광범위하게 연구되고 있다. 고효율 출력을 가지는 최적 세그먼테이션을 설계 할 때 단일 TEG의 성능에서 가장 중요한 요소인 성능 지수 (ZT)뿐만 아니라 열전 재료의 효율성 호환성 계수 (S_e = (√ (1 + ZT) -1) / αT) 및 계면 온도가 세그먼트화 된 TEG의 효율 향상에 큰 영향을 준다. 고출력에서는 역률($\sigma \alpha^2$)이 성능 지수 (ZT)로서 중요한 기준 된다.
이 연구에서는 COMSOL-Multiphysics (5.2) 시뮬레이션을 활용하여 각 세그먼트의 길이와 외부 부하 저항을 변화시키면서 몇 가지 열전 물질의 세그먼트 시퀀스에 대해 데이터를 생성하였고 생성된 데이터를 기반으로 인공 신경망 (ANN) 모델을 훈련했다. 생성된 학습 데이터 세트를 기반으로, 베이지안 정규화 (BR)의 ANN 모델이 세그먼트화TEG의 전력 및 효율성을 정확하게 예측할 수 있게 된다. 마지막으로, 목적 함수는 훈련된 신경망을 사용하여 공식화되고 유전자 최적화 알고리즘 (GOA)을 사용하여 최적화되며 가장 이상적인 전력 및 효율 출력을 갖는 세그먼트화 TEG를 제안합니다.
