17:17 2024-02-08
science - citeste alte articole pe aceeasi tema
Comentarii Adauga Comentariu
_ Cadrul general de învățare profundă pentru ingineria emisivității
_ Cadru general de deep learning pentru emisivitate inginerie
Emițătorii termici selectivi pe lungime de undă (WS-TE) au fost adesea proiectați pentru a atinge spectrele de emisivitate țintă dorite, ca în ingineria tipică a emisivității, pentru aplicații largi, cum ar fi camuflajul termic, răcirea radiativă și detectarea gazelor, etc.
Cu toate acestea, proiectele anterioare necesitau cunoștințe prealabile despre materiale sau structuri pentru diferite aplicații, iar WS-TE-urile proiectate variază de obicei de la aplicație la aplicație în ceea ce privește materialele și structurile, astfel încât nu există un cadru general de proiectare. pentru ingineria emisivității în diferite aplicații. Mai mult decât atât, proiectele anterioare nu reușesc să abordeze proiectarea simultană atât a materialelor, cât și a structurilor, deoarece fie fixează materiale pe structurile de proiectare, fie fixează structuri pentru a selecta materiale adecvate.
Într-o nouă lucrare publicată în Light: Science & Applications. , o echipă de oameni de știință, condusă de profesorul Run Hu de la Școala de Energie și Inginerie Energetică, Universitatea de Știință și Tehnologie Huazhong, China, și colegii de muncă au propus un cadru general de învățare profundă bazat pe algoritmul de rețea de învățare profundă Q (DQN) pentru proiectare optimă eficientă a WS-TE-urilor în diferite aplicații.
Folosind acest cadru, au proiectat trei WS-TE-uri multistrat pentru camuflaj termic, răcire radiativă și, respectiv, detectarea gazelor. Materialele WS-TE-urilor sunt selectate autonom prin algoritmul DQN din aceeași bibliotecă de materiale comună în funcție de spectrele de emisivitate țintă ale diferitelor aplicații, iar parametrii structurali sunt optimizați simultan.
Cele trei WS-TE proiectate toate prezintă performanțe excelente, care sunt fabricate și măsurate experimental, iar spectrele de emisivitate reale sunt potrivite bine cu ținta. Ca atare, cadrul propus este demonstrat a fi eficient în realizarea proiectării inverse a WS-TE-urilor într-un spațiu vast de proiectare de optimizare. Mai important, oferă un cadru general pentru ingineria emisivității în diferite aplicații și deschide calea pentru proiectarea eficientă a problemelor de optimizare neliniară dincolo de metamaterialele termice.
Cadrul propus este o abordare generală de proiectare pentru ingineria emisivității care este foarte scalabil în parametrii de proiectare ai WS-TM, inclusiv materialul, structura, dimensiunea și funcția țintă. Miezul cadrului este algoritmul DQN care poate primi diferiți parametri de proiectare și poate scoate o decizie de actualizare a acelor parametri. În actualizarea continuă iterativă, DQN învață treptat cum să ia deciziile adecvate pentru a obține în cele din urmă proiectarea optimă.
„Meriturile algoritmului de învățare Q profundă sunt că poate (1) oferi un cadru general de proiectare. pentru WS-TE-uri dincolo de structurile multistrat unidimensionale; (2) selectează în mod autonom materialele adecvate dintr-o bibliotecă de materiale auto-construită și (3) optimizează în mod autonom parametrii structurali pentru spectrele de emisivitate țintă", declară cercetătorii.
"Luând în considerare cele opt materiale disponibile, această configurație structurală duce la 8×7×505= 1,75×1010 structuri potențiale candidate. Cererea de selecție simultană a materialelor și optimizare a structurii, împreună cu volumul mare de spațiu de optimizare, face proiectarea manuală nepractică și prezintă provocări semnificative pentru metodele convenționale de învățare automată”, au adăugat ei.
„În plus, parametrii de intrare ai cadrului DQN sunt foarte flexibili în ceea ce privește materialele, structurile, dimensiunile și funcțiile țintă, oferind o soluție generală pentru alte probleme de optimizare neliniară dincolo de ingineria emisivității”, au spus oamenii de știință.
Comentarii:
Adauga Comentariu