Golflengteselectieve thermische emitters (WS-TE's) zijn vaak ontworpen om de gewenste doelemissiviteitsspectra te bereiken, zoals bij typische emissiviteitstechniek, voor brede toepassingen zoals thermische camouflage, stralingskoeling en gasdetectie, enz.

Eerdere ontwerpen vereisten echter voorafgaande kennis van materialen of structuren voor verschillende toepassingen, en de ontworpen WS-TE's variëren gewoonlijk van toepassing tot toepassing in termen van materialen en structuren. Er bestaat dus geen algemeen ontwerpkader voor emissiviteitstechniek voor verschillende toepassingen. Bovendien slagen eerdere ontwerpen er niet in om het gelijktijdige ontwerp van zowel materialen als structuren aan te pakken, omdat ze ofwel materialen aan ontwerpstructuren bevestigen, ofwel structuren fixeren om geschikte materialen te selecteren.

In een nieuw artikel gepubliceerd in Light:Science &Applications heeft een team van wetenschappers, onder leiding van professor Run Hu van de School of Energy and Power Engineering, Huazhong University of Science and Technology, China, en collega’s een algemeen deep learning-framework voorgesteld, gebaseerd op het deep Q-learning netwerkalgoritme (DQN) voor efficiënt optimaal ontwerp van WS-TE's voor verschillende toepassingen.

Gebruikmakend van dit raamwerk ontwierpen ze drie meerlaagse WS-TE's voor respectievelijk thermische camouflage, stralingskoeling en gasdetectie. De materialen van de WS-TE's worden autonoom geselecteerd door het DQN-algoritme uit dezelfde gemeenschappelijke materiaalbibliotheek volgens de doelemissiviteitsspectra van verschillende toepassingen, en de structurele parameters worden tegelijkertijd geoptimaliseerd.

De drie ontworpen WS-TE's leveren allemaal uitstekende prestaties, zijn experimenteel vervaardigd en gemeten en de feitelijke emissiviteitsspectra komen goed overeen met het doel. Als zodanig wordt aangetoond dat het voorgestelde raamwerk efficiënt is in het bereiken van omgekeerd ontwerp van WS-TE's binnen een enorme ontwerpruimte voor optimalisatie. Belangrijker nog is dat het een algemeen raamwerk biedt voor emissiviteitstechniek voor verschillende toepassingen en de weg vrijmaakt voor het efficiënte ontwerp van niet-lineaire optimalisatieproblemen die verder gaan dan thermische metamaterialen.

Het voorgestelde raamwerk is een algemene ontwerpbenadering voor emissiviteitstechniek die zeer schaalbaar is over de ontwerpparameters van de WS-TM's heen, inclusief materiaal, structuur, afmeting en doelfunctie. De kern van het raamwerk is het DQN-algoritme dat verschillende ontwerpparameters kan ontvangen en een beslissing kan nemen om die parameters bij te werken. In de voortdurende iteratieve update leert DQN geleidelijk hoe hij de juiste beslissingen kan nemen om uiteindelijk het optimale ontwerp te bereiken.

"De verdiensten van het deep Q-learning-algoritme zijn dat het (1) een algemeen ontwerpraamwerk voor WS-TE's kan bieden dat verder gaat dan eendimensionale meerlaagse structuren; (2) autonoom geschikte materialen kan selecteren uit een zelfgebouwde materiaalbibliotheek en (3) ) structurele parameters autonoom optimaliseren voor de beoogde emissiviteitsspectra", aldus de onderzoekers.

"Gezien de acht beschikbare materialen leidt deze structurele configuratie tot 8×7×50 ⁵ =1,75×10 ¹⁰ potentiële kandidaatstructuren. De vraag naar gelijktijdige materiaalselectie en structuuroptimalisatie, samen met de enorme hoeveelheid optimalisatieruimte, maakt handmatig ontwerp onpraktisch en vormt een aanzienlijke uitdaging voor conventionele machine learning-methoden", voegde ze eraan toe.

"Bovendien zijn de invoerparameters van het DQN-framework zeer flexibel wat betreft materialen, structuren, afmetingen en doelfuncties, en bieden ze een algemene oplossing voor andere niet-lineaire optimalisatieproblemen die verder gaan dan emissietechniek", aldus de wetenschappers.

Meer informatie: Shilv Yu et al, Algemeen deep learning-framework voor emissiviteitstechniek, Licht:wetenschap en toepassingen (2023). DOI:10.1038/s41377-023-01341-w

Aangeboden door TransSpread