Gli emettitori termici selettivi in lunghezza d'onda (WS-TE) sono stati spesso progettati per ottenere gli spettri di emissività target desiderati, come nella tipica ingegneria dell'emissività, per ampie applicazioni come camuffamento termico, raffreddamento radiativo e rilevamento di gas, ecc.
Tuttavia, i progetti precedenti richiedevano una conoscenza preliminare di materiali o strutture per diverse applicazioni e i WS-TE progettati solitamente variano da un'applicazione all'altra in termini di materiali e strutture, quindi non esiste un quadro di progettazione generale per l'ingegneria dell'emissività nelle diverse applicazioni. Inoltre, i progetti precedenti non riescono ad affrontare la progettazione simultanea di materiali e strutture, poiché fissano i materiali per progettare le strutture o fissano le strutture per selezionare i materiali adatti.
In un nuovo articolo pubblicato su Light:Science &Applications , un team di scienziati, guidato dal professor Run Hu della School of Energy and Power Engineering, Huazhong University of Science and Technology, Cina, e colleghi hanno proposto un quadro generale di deep learning basato sull'algoritmo di rete deep Q-learning (DQN) per progettazione ottimale ed efficiente di WS-TE in diverse applicazioni.
Utilizzando questa struttura, hanno progettato tre WS-TE multistrato rispettivamente per il camuffamento termico, il raffreddamento radiativo e il rilevamento del gas. I materiali dei WS-TE vengono selezionati autonomamente dall'algoritmo DQN dalla stessa libreria di materiali comune in base agli spettri di emissività target di diverse applicazioni e i parametri strutturali vengono ottimizzati simultaneamente.
I tre WS-TE progettati presentano tutti prestazioni eccellenti, che sono fabbricate e misurate sperimentalmente e gli spettri di emissività effettivi si adattano bene al target. Pertanto, il quadro proposto si è dimostrato efficiente nel realizzare la progettazione inversa di WS-TE all'interno di un vasto spazio di progettazione di ottimizzazione. Ancora più importante, offre un quadro generale per l'ingegneria dell'emissività in diverse applicazioni e apre la strada alla progettazione efficiente di problemi di ottimizzazione non lineare che vanno oltre i metamateriali termici.
Il quadro proposto è un approccio progettuale generale per l'ingegneria dell'emissività che è altamente scalabile attraverso i parametri di progettazione dei WS-TM, inclusi materiale, struttura, dimensione e funzione target. Il nucleo del framework è l'algoritmo DQN che può ricevere vari parametri di progettazione e emettere una decisione per aggiornare tali parametri. Nel continuo aggiornamento iterativo, DQN impara gradualmente come prendere le decisioni appropriate per ottenere finalmente la progettazione ottimale.
"I meriti dell'algoritmo di Q-learning profondo sono che può (1) offrire un quadro di progettazione generale per WS-TE oltre le strutture multistrato unidimensionali; (2) selezionare autonomamente materiali adatti da una libreria di materiali autocostruita e (3 ) ottimizzano autonomamente i parametri strutturali per gli spettri di emissività target," affermano i ricercatori.
"Considerando gli otto materiali disponibili, questa configurazione strutturale porta a 8×7×50 5 =1,75×10 10 potenziali strutture candidate. La richiesta di selezione simultanea dei materiali e di ottimizzazione della struttura, insieme all'enorme volume di spazio di ottimizzazione, rende la progettazione manuale poco pratica e presenta sfide significative per i metodi convenzionali di apprendimento automatico," hanno aggiunto.
"Inoltre, i parametri di input del framework DQN sono altamente flessibili in termini di materiali, strutture, dimensioni e funzioni target, offrendo una soluzione generale ad altri problemi di ottimizzazione non lineare oltre all'ingegneria dell'emissività", hanno affermato gli scienziati.
Ulteriori informazioni: Shilv Yu et al, Quadro generale di deep learning per l'ingegneria dell'emissività, Luce:scienza e applicazioni (2023). DOI:10.1038/s41377-023-01341-w
Fornito da TranSpread
