Analisi basata sul deep learning di materiali microstrutturati per il controllo della radiazione termica

Rapporti scientifici volume 12, numero articolo: 9785 (2022) Citare questo articolo

2469 accessi

5 citazioni

1 Altmetrico

Dettagli sulle metriche

I materiali microstrutturati in grado di controllare selettivamente le proprietà ottiche sono cruciali per lo sviluppo di sistemi di gestione termica nelle applicazioni aerospaziali e spaziali. Tuttavia, a causa dell’ampio spazio di progettazione disponibile per microstrutture con materiali, lunghezze d’onda e condizioni di temperatura variabili rilevanti per la radiazione termica, l’ottimizzazione della progettazione della microstruttura diventa un processo molto dispendioso in termini di tempo e con risultati per condizioni specifiche e limitate. Qui, sviluppiamo una rete neurale profonda per emulare i risultati delle simulazioni nel dominio del tempo a differenze finite (FDTD). La rete che mostriamo è il fondamento di un approccio basato sull'apprendimento automatico all'ottimizzazione della progettazione di microstrutture per il controllo della radiazione termica. La nostra rete neurale differenzia i materiali utilizzando input discreti derivati ​​dal complesso indice di rifrazione dei materiali, consentendo al modello di costruire relazioni tra la geometria della microstruttura, la lunghezza d'onda e il materiale. Pertanto, la selezione dei materiali non vincola la nostra rete ed è in grado di estrapolare accuratamente le proprietà ottiche per microstrutture di materiali non inclusi nel processo di formazione. La nostra rete neurale profonda surrogata può simulare sinteticamente oltre 1.000.000 di combinazioni distinte di geometria, lunghezza d'onda, temperatura e materiale in meno di un minuto, rappresentando un aumento di velocità di oltre 8 ordini di grandezza rispetto alle tipiche simulazioni FDTD. Questa velocità ci consente di eseguire rapidamente ampie ottimizzazioni termo-ottiche per progettare sistemi avanzati di raffreddamento o riscaldamento passivo. L’approccio basato sul deep learning consente studi termici e ottici complessi che sarebbero impossibili con le simulazioni convenzionali e la nostra progettazione di rete può essere utilizzata per sostituire efficacemente le simulazioni ottiche per altre microstrutture.

La capacità di progettare il modo in cui i materiali interagiscono con la luce è al centro dello sviluppo di materiali progettati per gestire la temperatura superficiale tramite la radiazione termica. I materiali che possono emettere o assorbire selettivamente la radiazione termica possono essere progettati per raffreddarsi passivamente al di sotto della temperatura ambiente1,2 o per riscaldarsi in modo radiativo3,4. Il riscaldamento e il raffreddamento radiativo dipendono da due regioni spettrali: rispettivamente dal visibile (VIS) al vicino infrarosso (NIR) e dal medio infrarosso (MIR)1. L'assorbimento termico per una superficie esposta al sole è definito dallo spettro solare/NIR da λ = 300–2500 nm, mentre l'emissione termica dipende dalla temperatura del corpo5. È stata utilizzata un'ampia varietà di topologie per massimizzare l'assorbimento termico, come nano-cupole6, superfici ondulate4, strutture nucleo-guscio7 e griglie8. Allo stesso modo, le "strutture di raffreddamento passivo" - superfici che hanno un'emissione termica significativa con un assorbimento solare limitato e possono raffreddarsi al di sotto della temperatura ambiente9 - possono essere progettate con materiali come polimeri2,10,11,12 o grafene ondulato13,14. A differenza di molte soluzioni per il riscaldamento e il raffreddamento radiativo, le superfici testurizzate superficiali di tipo piramidale ("micropiramide") su microscala possono essere utilizzate per progettare materiali di raffreddamento o riscaldamento radiativo15. La testurizzazione periodica della micropriamide su una superficie induce proprietà antiriflesso come risultato di un significativo confinamento della luce da parte della geometria16,17 ed è stato dimostrato che migliora l'assorbimento nel silicio18,19,20,21,22,23,24,25,26, nichel3,27, tungsteno28 nonché per dielettrici29 e polimeri12.

La progettazione e l'ottimizzazione delle texture per controllare la luce, come le micropiramidi, possono rappresentare una sfida poiché la simulazione nello spazio di progettazione disponibile è un processo computazionalmente impegnativo che spesso richiede software di simulazione numerica dedicato30. Ad aggravare questo problema, la vasta gamma di materiali disponibili significa che per un dato insieme di requisiti e vincoli applicativi può esistere un materiale diverso più adatto a soddisfare tali requisiti. Un potente approccio emerso nel campo della nanofotonica è l’uso del Deep Learning (DL) e delle reti neurali profonde (DNN) per riempire lo spazio di progettazione e per aggirare la necessità di grandi investimenti di tempo nelle simulazioni. Ispirata alla biologia e all'architettura del cervello umano, la metodologia DL è in grado di raggiungere elevati livelli di astrazione non lineare dai set di dati31. DL e Machine Learning (ML) sono stati utilizzati, in un contesto ampio, per risolvere problemi complessi che vanno dalla visione artificiale per veicoli a guida autonoma32 al riconoscimento vocale automatico33 e all'ottimizzazione dei sistemi di veicoli spaziali34,35,36,37. Nel campo dell'ottica, il DL è stato utilizzato recentemente per prevedere e modellare il comportamento plasmonico31,38,39,40,41,42, strutture reticolari43,44, metasuperfici ceramiche45,46, materiali chirali47,48, particelle e nanostrutture49,50,51 e fare il disegno inverso31,41,50,51,52,53,54. Il deep-learning è stato ampiamente utilizzato anche nel campo del trasferimento di calore per applicazioni quali la previsione della conducibilità termica55,56 e della resistenza al confine termico57, lo studio dei fenomeni di trasporto58, l'ottimizzazione dei circuiti integrati59, la modellazione del trasferimento di calore in ebollizione60, la previsione delle proprietà termo-ottiche44,61,62 e affrontare i problemi di radiazione termica63,64,65,66.