Анализ микроструктурированных материалов на основе глубокого обучения для контроля теплового излучения

Научные отчеты, том 12, Номер статьи: 9785 (2022) Цитировать эту статью

2469 Доступов

5 цитат

1 Альтметрика

Подробности о метриках

Микроструктурированные материалы, которые могут выборочно управлять оптическими свойствами, имеют решающее значение для разработки систем терморегулирования в аэрокосмической и космической технике. Однако из-за огромного пространства для проектирования, доступного для микроструктур с различным материалом, длиной волны и температурными условиями, связанными с тепловым излучением, оптимизация конструкции микроструктуры становится очень трудоемким процессом и дает результаты для конкретных и ограниченных условий. Здесь мы разрабатываем глубокую нейронную сеть для эмуляции результатов моделирования во временной области с конечной разностью (FDTD). Сеть, которую мы показываем, является основой подхода, основанного на машинном обучении, к оптимизации конструкции микроструктуры для контроля теплового излучения. Наша нейронная сеть различает материалы, используя дискретные входные данные, полученные на основе комплексного показателя преломления материалов, что позволяет модели выстраивать взаимосвязи между геометрией микротекстуры, длиной волны и материалом. Таким образом, выбор материалов не ограничивает нашу сеть и способен точно экстраполировать оптические свойства микроструктур материалов, не включенных в процесс обучения. Наша суррогатная глубокая нейронная сеть может синтетически моделировать более 1 000 000 различных комбинаций геометрии, длины волны, температуры и материала менее чем за минуту, что представляет собой увеличение скорости более чем на 8 порядков по сравнению с типичным моделированием FDTD. Такая скорость позволяет нам быстро выполнять масштабную термооптическую оптимизацию для разработки передовых пассивных систем охлаждения или обогрева. Подход, основанный на глубоком обучении, позволяет проводить сложные тепловые и оптические исследования, которые были бы невозможны при обычном моделировании, а наш сетевой дизайн можно использовать для эффективной замены оптического моделирования для других микроструктур.

Способность проектировать взаимодействие материалов со светом лежит в основе разработки материалов, которые предназначены для управления температурой поверхности посредством теплового излучения. Материалы, которые могут избирательно излучать или поглощать тепловое излучение, могут быть спроектированы так, чтобы пассивно охлаждаться ниже температуры окружающей среды1,2 или излучать тепло3,4. Радиационный нагрев и охлаждение зависят от двух спектральных областей: от видимой (VIS) до ближней инфракрасной (NIR) и средней инфракрасной (MIR) соответственно1. Тепловое поглощение поверхности, подвергающейся воздействию солнца, определяется солнечным/БИК-спектром в диапазоне λ = 300–2500 нм, тогда как тепловое излучение зависит от температуры тела5. Для максимизации теплопоглощения использовалось широкое разнообразие топологий, таких как нанокупола6, гофрированные поверхности4, структуры ядро-оболочка7 и решетки8. Аналогичным образом, «структуры пассивного охлаждения» — поверхности, которые имеют значительное тепловыделение с ограниченным поглощением солнечной энергии и могут охлаждаться ниже температуры окружающей среды9 — могут быть созданы из таких материалов, как полимеры2,10,11,12 или гофрированный графен13,14. В отличие от многих решений радиационного нагрева и охлаждения, поверхности с текстурированием поверхности в форме микропирамид («микропирамид») можно использовать для разработки материалов для радиационного охлаждения или нагрева15. Периодическое текстурирование микропрамид на поверхности вызывает антиотражающие свойства в результате значительного ограничения света за счет геометрии16,17 и, как было продемонстрировано, увеличивает поглощение в кремнии18,19,20,21,22,23,24,25,26. никель3,27, вольфрам28, а также для диэлектриков29 и полимеров12.

Проектирование и оптимизация текстур для управления светом (например, микропирамид) может оказаться непростой задачей, поскольку моделирование в доступном пространстве дизайна — это трудоемкий процесс, требующий специальных вычислительных ресурсов30. Эта проблема усугубляется тем, что широкий спектр доступных материалов означает, что для данного набора требований и ограничений применения может быть другой материал, который лучше всего подходит для выполнения этих требований. Мощный подход, появившийся в области нанофотоники, — это использование глубокого обучения (DL) и глубоких нейронных сетей (DNN) для заполнения пространства проектирования и обхода необходимости больших затрат времени на моделирование. Вдохновленная биологией и архитектурой человеческого мозга, методология DL способна обеспечить высокий уровень нелинейной абстракции от наборов данных31. DL и машинное обучение (ML) использовались в широком контексте для решения сложных проблем, начиная от машинного зрения для беспилотных транспортных средств32 и заканчивая автоматическим распознаванием речи33 и оптимизацией систем космических кораблей34,35,36,37. В области оптики DL недавно использовалась для прогнозирования и моделирования плазмонного поведения31,38,39,40,41,42, решетчатых структур43,44, керамических метаповерхностей45,46, киральных материалов47,48, частиц и наноструктур49,50,51 , и сделать обратный дизайн31,41,50,51,52,53,54. Глубокое обучение также широко используется в области теплопередачи для таких приложений, как прогнозирование теплопроводности55,56 и термического граничного сопротивления57, изучение транспортных явлений58, оптимизация интегральных схем59, моделирование теплопередачи при кипении60, прогнозирование термооптических свойств44,61,62 и решение проблем теплового излучения63,64,65,66.