AI-driven optimization of photovoltaic manufacturing: a reinforcement learning approach to lamination process enhancement- a case study of SoliTek UAB, A PV manufacturer

The photovoltaic manufacturing industry faces increasing pressure to improve production efficiency while maintaining quality standards. This research presents the first application of physics-informed reinforcement learning to optimize the critical lamination bottleneck in PV module production, integrating Arrhenius kinetics (Ea = 155 kJ/mol) with Deep Q-Networks. Through a comprehensive case study with SoliTek, a leading European manufacturer, this thesis achieves sustained 8.8\% cycle time reduction while preserving all quality parameters, generating €80,208 in annual economic benefits and avoiding 4,667 tons of CO$_2$ emissions over module lifetime. Monte Carlo validation demonstrates robustness under ±5\% manufacturing uncertainties, with extended validation across 20 independent optimization runs confirming 8.82\% ± 1.54\% sustained improvement (p < 0.001). The work provides a validated framework for applying AI to thermochemical manufacturing processes, demonstrating that intelligent optimization can simultaneously enhance productivity, profitability, and sustainability in renewable energy manufacturing.

L'industria manifatturiera fotovoltaica affronta crescenti pressioni per migliorare l'efficienza produttiva mantenendo gli standard di qualità. Questa ricerca presenta la prima applicazione del reinforcement learning informato dalla fisica per ottimizzare il collo di bottiglia critico della laminazione nella produzione di moduli FV, integrando la cinetica di Arrhenius (Ea = 155 kJ/mol) con Deep Q-Networks. Attraverso un caso studio completo con SoliTek, un produttore europeo leader, questa tesi raggiunge una riduzione sostenuta dell'8,8\% del tempo di ciclo preservando tutti i parametri di qualità, generando €80.208 di benefici economici annuali ed evitando 4.667 tonnellate di emissioni di CO$_2$ durante la vita utile del modulo. La validazione Monte Carlo dimostra robustezza sotto incertezze manifatturiere del ±5\%, con validazione estesa su 20 cicli di ottimizzazione indipendenti che conferma un miglioramento sostenuto dell'8,82\% ± 1,54\% (p < 0,001). Il lavoro fornisce un framework validato per applicare l'IA ai processi manifatturieri termochimici, dimostrando che l'ottimizzazione intelligente può simultaneamente migliorare produttività, redditività e sostenibilità nella manifattura di energie rinnovabili.