辐射制冷应用需要在两个相对较宽的频段范围内进行特性调控,以实现在太阳窗口(0.3–4 μm)内的高反射率,同时在大气窗口内(8–13 μm)实现高大气发射率,从而最大化结构的净冷却功率(Pn)。多层结构,尤其是超材料多层结构,在辐射制冷领域具有巨大的潜力,因为它们可以通过精确控制材料的光学特性来优化辐射冷却性能。然而,传统的多层结构设计方法存在材料选择受限、设计空间巨大、效率低下等问题,难以满足日益增长的应用需求。近年来,人工智能技术的飞速发展为解决这些问题提供了新的策略。人工智能技术可以有效地探索多层结构的设计空间,找到最佳的设计方案,并且可以结合材料信息进行模拟,提高设计的准确性和效率。因此,本研究基于遗传算法优化了SiO2/Si多层结构,实现了高效的辐射制冷性能。研究发现,优化后超材料多层结构具有超越布拉格结构的性能,可以实现更宽的反射带宽和更低的发射率,其冷却功率约为100W/m2,与其他文献中性能最好的结构相似。此外,研究还通过电磁仿真和传输矩阵方法分析了优化后的多层结构的潜在物理机制,揭示了其优异性能背后的缘由。该工作以Artificial Intelligence-Enhanced Metamaterial Bragg Multilayers for Radiative Cooling为题发表在Advanced Photonics Research期刊。
2.1 优化设计流程
本研究采用适应性遗传算法优化SiO2/Si多层膜结构,通过模拟自然选择和进化过程,迭代搜索具有更高净冷却功率Pn的结构。具体的流程如图1所示:首先随机生成一组具有不同厚度和排列方式的多层膜结构作为初始种群,然后,使用传输矩阵法计算每个结构的Pn值,并根据Pn值选择具有较高适应度的结构进行繁殖。接着,通过交叉和变异操作生成新的结构,并组成新的种群。重复上述步骤,直到满足停止准则。最终将找到具有最高Pn值的多层膜结构。
图1:基于遗传算法的多层结构优化设计流程
2.2 净冷却功率增强的分析
本文首先对优化后的多层膜结构净冷却功率Pn的增强进行了分析。在SiO2/Si层对数量N=5,N=9和N=13情况下各运行了5次遗传算法,每一代选择一个最优的多层膜结构。从具有随机层厚度的多层膜结构开始,图3展示了每一代多层膜各层厚度的演变以及相应的Pn(黑线)、辐射功率Prad(红线)、太阳吸收功率Ps(黄线)和大气吸收功率Patm(蓝线)变化趋势。对于所有的N值,可以明显看到Pn向最优值的收敛。随着Pn的收敛,各层的厚度基本保持不变,即使有微小的变化对Pn的影响。图4进一步展示了遗传算法收敛后得到的N=5、N=9和N=13多层膜的示意图。
图2:典型的超材料布拉格多层膜结构(N=6)
图3:不同SiO2/Si层对数量下的多层膜优化设计结果
图5展示了遗传算法优化的多层膜结构与线性调谐布拉格多层膜(CBML)结构的辐射制冷性能对比。如图5(a)所示,优化的多层膜结构与CBML的Prad和Patm相似,但是Ps却比相应的CBML低很多,最终导致提升的Pn性能。这显著地表明了,遗传算法主要试图最小化吸收的太阳功率来提升Pn。图5(b)展示了对于优化的SiO2/Si多层膜(MLs)和相应的CMBLs,在不同N值下的计算得到的Pn值。由于减小了Ps,优化后的多层膜在Pn的提升方面特别显著,特别是在N较小的情况下。对于较大的N,Pn的值可以达到132 W/m²。
图4:经过遗传算法优化后得到的N=5,9和13的多层膜结构
图5:优化后的多层膜结构与CBML的辐射制冷性能对比
2.3 平衡温度及与其他结构的比较
研究了优化后的多层膜结构在不同的环境条件下的平衡温度Teq,并与其他文献的辐射制冷器件进行了性能比较。如图6所示,在不同传热系数(hc)下,表征了Pn与Td-Tamb的关系(Td为多层结构的温度),并将Teq定义为Pn=0时的温度。结果表明,随着hc的增加,Teq明显增加。在没有热量交换的情况下,温度降低了约47.5K,即使在传热损失较大的情况下,温度也降低约10K。表1展示了本研究与其他日间辐射制冷器件的性能对比,尽管不同研究的实验条件存在差异,但优化后的多层膜结构在Pn方面表现出色,具有无金属和无图案化的优势。
图6:不同hc条件下优化后的多层膜结构的Pn随Td-Tamb变化情况(N=20)
表1 高热损失下优化后的多层结构与其他日间辐射制冷器件的性能对比
2.4 层对数量N和入射角θ的影响
本文进一步研究了SiO2/Si层对数量N和入射角θ对辐射制冷多层膜结构的影响,特别是对反射率R、发射率e和Pn的影响。如图7(a-c)所示,在正入射(θ=0°)的条件下,随着N的增加,优化算法能够显著降低太阳波长范围内的e(相当于提高R),尤其是在短波长区域(约0.85 μm),这是太阳辐照度最大的区域。基因算法同时通过将高发射率区域放置在太阳辐照度最小的位置(约1.45和1.9 μm)来最小化太阳吸收,从而增强被动冷却效果。此外,与CBML相比,优化后的多层膜结构在大多数角度下的发射率都降低了,随着层数的增加,这种降低更加明显。上述结果表明,该基因算法不仅优化了较大太阳辐照度波长处的发射率,而且优化了所有入射角度范围内(直至θ=80°)的发射率。图7(d-i)展示了在不同N值下,发射率e随波长λ和入射角θ变化的云图。结果表明,优化的多层膜结构在斜入射下表现出比CBML更大的低发射率带宽,并且随着层数的增加,这种降低愈加明显。这进一步表明了遗传算法区别于CBML的设计准则。总之,随着N的增加,遗传算法在优化设计短波和大气窗口波段的性能更加全面,更好地考虑了多层膜结构的复杂响应。
图7:层对数量N和入射角θ对优化多层膜结构的影响
2.5 金属衬底对辐射制冷性能影响
本研究将多层结构底部SiO2衬底替换为Ag衬底进行了基因算法优化,并与以SiO2衬底的多层结构进行比较。结果显示,两种结构在提升Pn方面非常接近,但SiO2衬底的多层结构表现略好。表明即使没有金属反射器,优化后的全介质多层结构也能实现高效的辐射制冷效果。通过对两种结构的功率进行分析,可以得出基因算法的主要目标都是提高反射率,而不是吸收率。
图8:以Ag为衬底的多层膜结构与以SiO2为衬底的多层膜结构性能对比
2.7 电磁仿真结果
本文还模拟了不同SiO2/Si层对数量的多层膜结构和CBML结构在垂直入射下的电场分布,以揭示优化结构提高辐射冷却性能的物理机制。其中,研究的频率范围涵盖了太阳辐射窗口和大气窗口。在太阳辐射窗口频率范围内(图9a),优化的多层膜结构中的电场强度分布与CBML结构类似,即短波长在顶层被反射,长波长在底层被反射。随着N的增加,布拉格反射现象更加明显,出现了更多的驻波模式,表明结构对更宽的频率范围具有反射作用。在大气窗口频率范围内(图9b),CBML结构对于小于11μm的波长,会发生更高阶的腔体共振,(覆盖了CBML的总高度)表现出强烈的共振现象,整个结构像一个谐振腔。而优化结构则表现出不同的特点,出现了额外的布拉格反射,主要集中在60-90 THz(λ ≈ 3-5 μm)频段,并且随着N的增加而增强。这些反射现象表现为驻波模式,与Si层的位置相对应,表明形成了布拉格超腔。总结来说,基因算法通过调整层厚分布,使多层膜结构在太阳辐射窗口内对太阳辐射具有高反射率,从而减少太阳辐射的吸收,提高辐射冷却效率。在大气窗口内,优化的多层结构通过形成布拉格超腔,实现了对更宽频率范围的反射,减少对大气辐射的吸收,进一步提高了辐射冷却效率。
图9:不同N值下优化后的多层膜和CBML结构在垂直入射下的电场强度分布
2.8 布拉格共振超腔分析
本文最后对优化后的多层膜结构中的布拉格共振超腔进行深入地研究。图10展示了在N=9的条件下,不同基因算法运行结果下优化后多层膜结构在长波长处的电场分布情况。图像显示,不同基因算法运行结果下优化后多层膜在长波长范围内表现出不同的驻波模式,这表明超腔的形成位置和构成层具有可变性。激发的驻波的最大值通常位于Si层的位置,因为电场主要被限制在高介电常数材料中。依据电场分析和驻波波长,通过将优化后的多层结构示意图叠加到场图中,可以大致确定超腔的位置和构成层。由于超腔的形成位置和构成层具有可变性,这为设计更高效的多层膜提供了更多的可能性。
图10:不同基因算法运行结果下优化的多层膜的电场分布(N=9)
小结:本文探索了人工智能技术在设计和优化用于辐射制冷的多层结构中的应用,研究者结合人工智能和电磁仿真软件对多层辐射制冷结构进行了全面的数值研究。借助基因算法优化后的多层膜结构展现出超越传统CBML结构的优异辐射制冷性能。该研究提供了超布拉格、全介电、超宽带反射镜的最佳设计指南,所得多层结构的净冷却功率约为100 W/m2,与文献中性能最好的结构相似。该工作不仅表明了人工智能技术优化提升多层结构在辐射制冷方面性能的优势,而且为设计更高效、更环保的辐射冷却结构提供了创新性的思路和方法。
论文信息:Osuna Ruiz D, Aznarez‐Sanado M, Herrera‐Plaza P, Beruete M. Artificial Intelligence‐Enhanced Metamaterial Bragg Multilayers for Radiative Cooling[J]. Advanced Photonics Research, 2024: 2400088.
声明:本文部分素材源自网络,版权归原作者所有。分享旨在促进信息传递与交流,不代表本公众号立场。如有不当,请联系我们处理,欢迎投稿分享!
联系方式:spacethermalradiation@gmail.com.