Είναι αδιαμφισβήτητο ότι τα οργανικά φωτοβολταϊκά έχουν καταφέρει να κατακτήσουν το ενδιαφέρον της επιστημονικής κοινότητας, και η έρευνα πάνω σε αυτά αυξάνεται συνεχώς, με στόχο τη βελτίωση της απόδοσής τους. Η επιτυχία τους οφείλεται κυρίως στην ικανότητά τους να παράγουν ηλεκτρική ενέργεια με χαμηλό κόστος, προσφέροντας ταυτόχρονα φιλικές προς το περιβάλλον λύσεις.

Στην παρούσα διπλωματική εργασία αναπτύσσονται μοντέλα μηχανικής μάθησης που επιτρέπουν την πρόβλεψη και βελτιστοποίηση των επιδόσεων των οργανικών φωτοβολταϊκών, καθιστώντας τα έναν αξιόπιστο και βιώσιμο πόρο ενέργειας. Τα αποτελέσματα της μελέτης δείχνουν ότι η χρήση μοντέλων μηχανικής μάθησης μπορούν να προβλέψουν με επιτυχία την απόδοση των οργανικών φωτοβολταϊκών, συμβάλλοντας έτσι στον σχεδιασμό νέων φωτοβολταϊκών με βελτιωμένη απόδοση.

Συνολικά, η εργασία αυτή ενισχύει τη σημασία των οργανικών φωτοβολταϊκών στην ανανεώσιμη ενέργεια, και προσφέρει νέες προοπτικές για την ανάπτυξη καινοτόμων ενεργειακών λύσεων.

It is undeniable that organic photovoltaics have captured the interest of the scientific community, and research in this field is continuously increasing, aiming to improve their performance. Their success is primarily due to their ability to generate electricity at a low cost while simultaneously offering environmentally friendly solutions.

This study develops machine learning models that enable the prediction and optimization of the performance of organic photovoltaics, making them a reliable and sustainable energy resource. The research results show that the use of  machine learning models can successfully predict the performance of organic photovoltaics, thereby contributing to the design of new photovoltaics with improved efficiency.

Overall, this work strengthens the significance of organic photovoltaics in renewable energy and offers new prospects for the development of innovative energy solutions.