Представьте, что можно запрограммировать материалы так, чтобы управлять теплом, как мы управляем светом с помощью диммера. Просто сжимая или растягивая материалы, можно сделать их горячее или холоднее.
Одной из фундаментальных задач в области передовых материалов было точное прогнозирование и управление тепловым потоком в сложных материалах нового поколения. Традиционные методы моделирования, основанные на упрощённых эмпирических моделях, не учитывают сложные атомные взаимодействия материала, особенно при деформации.
Новое исследование Сянъюй Ли, доцента кафедры машиностроения и аэрокосмической инженерии, и его аспиранта Шаодонг Чжана помогает решить эту проблему.
Ли и Чжан использовали потенциал нейроэволюции с помощью машинного обучения (NEP) для обучения вычислительных моделей тому, как атомы взаимодействуют друг с другом на субнанометровом уровне. Для высокопористых материалов, таких как графен-пена, этот метод помогает прогнозировать тепловые и механические свойства путём моделирования атомных движений и взаимодействий. Техника позволяет исследователям моделировать поведение этих материалов в различных условиях, таких как сжатие, и понимать, как изменяется их структура.
Исследование Ли и Чжана недавно было опубликовано в International Journal of Thermal Sciences и npj Computational Materials.
«Это исследование демонстрирует, что, объединив наноматериал — графен-пену — с обычным кремниевым полимером, мы можем создать композит, который не только прочнее, но и обладает замечательной способностью регулировать тепловой поток при деформации», — сказал Чжан. «Это прокладывает путь для создания интеллектуальных материалов, которые могут самостоятельно регулировать свои тепловые свойства, что приведёт к созданию более безопасной и энергоэффективной электроники, передовых носимых устройств и более интеллектуальных систем управления температурой во всём — от ноутбуков до космических аппаратов».
Результаты исследования Ли и Чжана показали, что как теплопроводность, так и теплопередача графен-пены увеличиваются с увеличением плотности при комнатной температуре. Однако теплопроводность демонстрирует тенденцию к снижению, за которой следует последующий подъём в процессе сжатия. Результаты показывают, что ослабление теплопроводности в начальном состоянии может быть связано с уменьшением толщины в результате сжатия материала.
«Это обеспечивает научную основу для проектирования „тепловых переключателей“, где способность материала проводить тепло можно увеличивать или уменьшать по требованию», — сказал Чжан.
Ли отметил, что, учитывая сложности измерения и производства материалов нового поколения, наличие инструмента машинного обучения для понимания того, как молекулярная структура различных комбинаций может помочь в разработке, имеет большое значение. «Цель состоит в том, чтобы сократить количество экспериментальных усилий, и мы можем предоставить приблизительную оценку результата», — сказал Ли. «В идеале мы надеемся предсказывать все свойства материалов без предварительных знаний, что требует многолетних усилий и совершенствования инструментов. Цель состоит в том, чтобы помочь развитию материалов и сделать проектирование систем и устройств более рациональным, чтобы тратить меньше денег и времени на повторяющиеся пробы и ошибки».
Прорывное исследование Ли и Чжана открывает двери для крупномасштабных молекулярно-динамических симуляций, которые являются высокоэффективными и точными, устраняя ключевой разрыв между точностью на атомном уровне и практическим проектированием материалов.
Будущие приложения, вытекающие из их исследований, могут включать разработку интеллектуальных тепловых переключателей для электроники нового поколения; развитие гибких и носимых технологий, которые могут привести к созданию носимых датчиков, адаптирующихся к температуре тела, или одежды, которая активно регулирует тепло для комфорта; а также ускорение поиска материалов для адсорбции водяного пара.
«До реальных приложений ещё далеко», — сказал Ли. «Но, например, это можно использовать с батареями, где нужно, чтобы они работали в узком температурном диапазоне. Мы также надеемся использовать машинное обучение на основе молекулярной динамики в других физических и химических процессах».
Предоставлено Университетом Теннесси в Ноксвилле.