Análise baseada em aprendizado profundo de materiais microestruturados para controle de radiação térmica

Scientific Reports volume 12, Número do artigo: 9785 (2022) Citar este artigo

2469 acessos

5 Citações

1 Altmétrica

Detalhes das métricas

Materiais microestruturados que podem controlar seletivamente as propriedades ópticas são cruciais para o desenvolvimento de sistemas de gerenciamento térmico em aplicações aeroespaciais e espaciais. No entanto, devido ao vasto espaço de projeto disponível para microestruturas com materiais variados, comprimento de onda e condições de temperatura relevantes para a radiação térmica, a otimização do projeto de microestrutura torna-se um processo muito demorado e com resultados para condições específicas e limitadas. Aqui, desenvolvemos uma rede neural profunda para emular as saídas de simulações de domínio do tempo de diferenças finitas (FDTD). A rede que mostramos é a base de uma abordagem baseada em aprendizado de máquina para otimização de projeto de microestrutura para controle de radiação térmica. Nossa rede neural diferencia materiais usando entradas discretas derivadas do índice de refração complexo dos materiais, permitindo que o modelo construa relações entre a geometria, o comprimento de onda e o material da microtextura. Assim, a seleção de materiais não restringe nossa rede e é capaz de extrapolar com precisão propriedades ópticas para microestruturas de materiais não incluídos no processo de treinamento. Nossa rede neural profunda substituta pode simular sinteticamente mais de 1.000.000 combinações distintas de geometria, comprimento de onda, temperatura e material em menos de um minuto, representando um aumento de velocidade de mais de 8 ordens de magnitude em comparação com simulações FDTD típicas. Essa velocidade nos permite realizar otimizações termo-ópticas abrangentes rapidamente para projetar sistemas avançados de resfriamento ou aquecimento passivo. A abordagem baseada em aprendizado profundo permite estudos térmicos e ópticos complexos que seriam impossíveis com simulações convencionais e nosso projeto de rede pode ser usado para substituir efetivamente as simulações ópticas por outras microestruturas.

A capacidade de projetar como os materiais interagem com a luz está no centro do desenvolvimento de materiais projetados para gerenciar a temperatura da superfície por meio de radiação térmica. Materiais que podem emitir ou absorver seletivamente radiação térmica podem ser projetados para resfriar passivamente abaixo da temperatura ambiente1,2 ou aquecer radiativamente3,4. O aquecimento e o resfriamento radiativos dependem de duas regiões espectrais: do visível (VIS) ao infravermelho próximo (NIR) e do infravermelho médio (MIR), respectivamente1. A absorção térmica para uma superfície exposta ao sol é definida pelo espectro solar/NIR de λ = 300–2500 nm, enquanto a emissão térmica depende da temperatura do corpo5. Uma ampla variedade de topologias tem sido utilizada para maximizar a absorção térmica, como nanocúpulas6, superfícies corrugadas4, estruturas core-shell7 e grades8. Da mesma forma, "estruturas de resfriamento passivo" - superfícies que têm emissão térmica significativa com absorção solar limitada e podem resfriar abaixo da temperatura ambiente9 - podem ser projetadas a partir de materiais como polímeros2,10,11,12 ou grafeno ondulado13,14. Ao contrário de muitas das soluções para aquecimento e resfriamento radiativo, as superfícies texturizadas em forma de pirâmide ("micropirâmide") em microescala podem ser usadas para projetar materiais de resfriamento radiativo ou aquecimento15. A texturização periódica de micropryamid em uma superfície induz propriedades anti-reflexivas como resultado do confinamento de luz significativo pela geometria16,17 e demonstrou aumentar a absorção em silício18,19,20,21,22,23,24,25,26, níquel3,27, tungstênio28, bem como para dielétricos29 e polímeros12.

O design e a otimização de texturas para controlar a luz - como micropirâmides - podem ser um desafio, pois a simulação em todo o espaço de design disponível é um processo computacional exigente que geralmente requer software de simulação numérica dedicado30. Para agravar esse problema, a vasta gama de materiais disponíveis significa que, para um determinado conjunto de requisitos e restrições de aplicação, pode haver um material diferente que seja mais adequado para atender a esses requisitos. Uma abordagem poderosa que surgiu no campo da nanofotônica é o uso de Deep Learning (DL) e Deep-Neural Networks (DNNs) para preencher o espaço de design e contornar a necessidade de grandes investimentos de tempo em simulações. Inspirada na biologia e arquitetura do cérebro humano, a metodologia DL é capaz de altos níveis de abstração não linear de conjuntos de dados31. DL e Machine Learning (ML) têm sido usados, em um amplo cenário, para resolver problemas complexos que vão desde visão de máquina para veículos autônomos32 até reconhecimento automático de fala33 e otimização de sistemas de naves espaciais34,35,36,37. No campo da óptica, DL tem sido usado recentemente para prever e modelar o comportamento plasmônico31,38,39,40,41,42, estruturas de grade43,44, metasuperfícies de cerâmica45,46, materiais quirais47,48, partículas e nanoestruturas49,50,51 , e fazer design inverso31,41,50,51,52,53,54. Deep-Learning também tem sido amplamente utilizado no campo da transferência de calor para aplicações como a previsão de condutividade térmica55,56 e resistência de limite térmico57, estudo de fenômenos de transporte58, otimização de circuitos integrados59, modelagem de transferência de calor por ebulição60, previsão de propriedades termo-ópticas44,61,62 , e abordando problemas de radiação térmica63,64,65,66.