PNSMI 热点文章
Optimization of porous structures via machine learning for solar thermochemical fuel production
利用机器学习优化太阳能热化学燃料生产的多孔结构
研究背景
多孔反应物是太阳能热化学中的核心组分，它吸收太阳能并转化为热能，驱动热化学反应。基于二氧化铈的两步热化学循环因其结构稳定性和高温下快速动力学而成为一种很有前途的途径，其性能高度依赖于多孔反应物的结构。在还原反应过程中，多孔反应物具有吸收太阳辐射、便于传热传质、提供反应场所等多种功能。为了提高热力学和动力学性能，人们开发了各种多孔结构。多孔结构期望具有大的质量负载，即低孔隙率以产生更多的燃料，均匀的光吸收以获得均匀的温度分布，以及大的表面积以提供足够的反应位点。网状多孔陶瓷（RPC）是最典型的多孔介质。RPC的一般设计参数为孔隙率（ε）和孔径（每英寸孔隙数，PPI）。
文章亮点
本文提出了一个机器学习辅助框架来优化TPMS结构，以提高反应效率，增加燃料产量，降低温度梯度。为了降低传统高通量优化的计算成本，采用神经网络回归模型进行基于输入特征的性能预测。训练数据集是利用三维多物理场模型生成的，用于考虑流体流动、传热传质和化学反应的聚光太阳能驱动的热化学还原。均匀结构和梯度结构均通过三维模型初步评估，表明c和ω的梯度设计对于性能增强是必要的。此外，根据我们提出的优化框架，我们发现参数c1¼c2¼0.5 （c均匀）和ω1¼0.2,ω2¼0.8 （ω梯度）的结构获得了最高的相对效率（fchem/fchem,ref）为1.58，相对燃料产量（Δδ/Δδref）为7.94，最大相对温度梯度(dT/dy)/(dT/dy)ref为0.26。动力学性质，即体积扩散和表面交换系数，也被研究表明，与快速动力学材料相比，对于慢动力学材料，c和ω的设计空间受到高度限制。我们的框架适用于不同的多孔结构和操作条件，使其成为筛选太阳能热化学应用的多孔结构的通用工具。这项工作有可能推动高效太阳能燃料生产系统的发展和可再生能源技术的大规模工业应用。
结果解析
图1.多孔结构优化方法
图2.(a)热化学还原反应的动量、物质和能量守恒方程的计算域和(b)边界条件。浅蓝色和金黄色分别代表流体和固体区域。R1为固流界面上的氧交换反应，T2为固相上氧载流子的扩散，T3为液相界面上的氧去除
图3. 太阳能吸收固流界面边界条件及热流密度分布
图4. (a)化学反应能分数，(b)非化学计量系数变化，(c)温度梯度神经元网络回归模型在训练数据集（蓝点）和验证数据集（红点）上的预测值和实际值比较。
结论与展望
在这项研究中，我们开发了一个机器学习辅助多孔结构结构优化模型，用于太阳能热化学水分解多孔结构。本研究的重点是优化太阳能到燃料效率（以基于还原反应的fchem为特征）、每周期燃料产量（以非化学计量系数变化表示，也称为材料利用率）和多孔结构结构温度梯度，包括各种输入特征，包括结构参数、材料性能和操作条件。以具有显式数学表达式的三周期最小表面（TPMS）结构，特别是FKS结构为例，展示了我们的方法。
原文链接
https://doi.org/10.1016/j.pnsc.2024.07.024
期刊简介
Progress in Natural Science: Materials International(PNSMI)由中国材料研究学会主办，是一本综合类英文SCI学术期刊，刊登材料科学领域的基础研究和应用基础研究方面的高水平、有创造性和重要意义的最新研究成果。
2022年最新影响因子4.8，分区为中科院材料科学二区。入选2019年中国科技期刊卓越行动计划，2022、2023连续两年获评中国最具国际影响力学术期刊。
欢迎投稿
扫码关注，获取更多
