Штучний інтелект створив матеріали для охолодження будинків

Науковці з Техаського університету в Остіні разом із колегами з Шанхайського університету Цзяо Тун, Національного університету Сінгапуру та Університету Умео у Швеції створили новий клас матеріалів за допомогою штучного інтелекту та машинного навчання. Ці матеріали здатні значно знижувати температуру в приміщеннях та зменшувати витрати на енергію.

Дослідники розробили метод машинного навчання для створення складних тривимірних термічних мета-випромінювачів. За допомогою цієї системи вони згенерували понад 1500 унікальних матеріалів, здатних селективно випромінювати тепло контрольованим способом. Це забезпечує більшу точність у нагріванні та охолодженні для покращення енергоефективності.

«Наша система машинного навчання представляє значний стрибок вперед у дизайні термічних мета-випромінювачів», — заявив Юебін Чжен, професор кафедри машинобудування Школи інженерії Кокрелла та співкерівник дослідження, опублікованого в журналі Nature. «Автоматизуючи процес та розширюючи простір дизайну, ми можемо створювати матеріали з вищими характеристиками, які раніше були неможливими».

Для оцінки своєї системи дизайну дослідники виготовили чотири зразки матеріалів та протестували їхню продуктивність. Один з цих матеріалів було нанесено на дах моделі будинку та порівняно зі стандартними комерційними білими та сірими фарбами для оцінки його охолоджувальної здатності. Після чотирьох годин прямого полуденного сонячного світла дах, покритий мета-випромінювачем, був у середньому на 5−20 градусів Цельсія холоднішим за ті, що були покриті звичайними фарбами.

На основі цієї продуктивності команда підрахувала, що таке охолодження може заощадити близько 15 800 кіловат-годин щорічно в багатоквартирному будинку, розташованому в жаркому місті, такому як Ріо-де-Жанейро або Бангкок. Для порівняння, стандартний кондиціонер зазвичай споживає близько 1500 кіловат-годин на рік.

Потенційне використання цих матеріалів виходить далеко за межі економії енергії в житлових та комерційних будівлях. За допомогою того ж підходу машинного навчання команда створила сім категорій мета-випромінювачів, кожна з яких призначена для конкретних функцій.

Ці матеріали можуть використовуватися в містах для зниження міських температур шляхом відбиття сонячного світла та випромінювання тепла на цільових довжинах хвиль, потенційно зменшуючи ефект міського теплового острова, спричинений щільними бетонними конструкціями та обмеженою зеленню. Вони також можуть застосовуватися в космічних додатках для регулювання температури космічних апаратів шляхом ефективного управління як вхідним сонячним випромінюванням, так і випромінюваним теплом.

Крім застосувань у цьому дослідженні, термічні мета-випромінювачі можуть стати частиною багатьох речей, які ми використовуємо щодня. Інтеграція їх у текстиль та тканини може покращити технологію охолодження в одязі та зовнішньому спорядженні. Обгортання автомобілів ними та вбудовування їх у внутрішні матеріали може зменшити тепло, що накопичується, коли вони стоять на сонці.

Кропіткий традиційний процес проектування цих матеріалів стримував їх від широкого впровадження. Інші автоматизовані варіанти мають труднощі з обробкою складності тривимірної ієрархічної структури мета-випромінювачів, обмежуючи результати простими геометріями, такими як тонкоплівкові стеки або планарні візерунки з продуктивністю, що не досягає деяких показників.

«Традиційно проектування цих матеріалів було повільним та трудомістким, спираючись на методи спроб та помилок», — сказав Чжен. «Цей підхід часто призводить до неоптимальних дизайнів та обмежує здатність створювати матеріали з необхідними властивостями для ефективності».

Дослідники продовжуватимуть удосконалювати цю технологію та застосовувати її до більшої кількості аспектів своєї галузі нанофотоніки — взаємодії світла та матерії на найменших масштабах.

«Машинне навчання може бути не рішенням для всього, але унікальні спектральні вимоги термічного управління роблять його особливо придатним для проектування високопродуктивних термічних випромінювачів», — сказав Кан Яо, співавтор цієї роботи та науковий співробітник у групі Чжена.

Результати дослідження було опубліковано в журналі Nature під назвою «Ultrabroadband and band-selective thermal meta-emitters by machine learning» авторами Ченгю Сяо, Менгці Лю, Кан Яо, Іфан Чжан, Менгці Чжан, Макс Ян, Я Сун, Сянхуй Лю, Сюаньюй Цуй, Тунсян Фан, Чанін Чжао, Вансу Хуа, Іньцяо Ін, Юебін Чжен, Ді Чжан, Чен-Вей Цю та Хан Чжоу.