一种太阳能热辐射选择性吸收材料的设计方法技术

本发明专利技术涉及太阳能热辐射选择性吸收材料领域，具体涉及一种太阳能热辐射选择性吸收材料的设计方法。本发明专利技术充分考虑了太阳能热辐射选择性吸收材料设计过程中复杂的材料结构参数与光谱响应之间的关系，通过构建多目标双重退火算法，并辅以深度学习网络加速，消除了迭代和耗时计算，多目标和全局、局域双重退火的结合大大加快了设计过程，极大节省了微纳光子结构参数设计时间和硬件成本；该设计方法还提供了各种候选材料，使得可以选择适合的材料和每层的厚度，以满足所需的光学要求。最终本发明专利技术有效解决了当前太阳能热辐射选择性吸收材料设计过程中存在的设计时间成本较高、高维设计适用性低、多目标设计效果差等问题。多目标设计效果差等问题。多目标设计效果差等问题。

【技术实现步骤摘要】
一种太阳能热辐射选择性吸收材料的设计方法


[0001]本专利技术涉及太阳能热辐射选择性吸收材料领域，具体涉及一种太阳能热辐射选择性吸收材料的设计方法，基于深度学习加速的多目标双重退火算法。

技术介绍

[0002]太阳能作为最有前途的可再生资源之一，引起了人们极大的兴趣。在这一领域的各种研究中，太阳能热辐射选择性吸收材料在将太阳能转化为可用能源方面显示出了巨大的潜力。
[0003]为了最大程度地利用太阳能，设计一个理想的太阳能热辐射选择性吸收材料至关重要。根据维恩位移定律，理想的太阳能热辐射选择性吸收材料应在太阳能辐射光谱范围内(0.3
‑
2.5微米)具有较高的吸收率，并在红外区域(2.5
‑
25微米)具有较低的发射率，从而在高效吸收太阳能热辐射的同时减少热量泄漏，基于基尔霍夫热力学定律，材料的发射率等于材料的吸收率，因此红外区域较低的发射率等同于较低的吸收率。
[0004]微纳光子结构为太阳能热辐射选择性吸收材料的开发提供了众多优势，包括多种多样的图案化结构以及组合不同材料的灵活性。目前遗传算法和粒子群算法等智能设计算法被应用于设计这种用于太阳能热辐射选择性吸收的微纳光子结构。然而，这些现有的智能设计算法存在几个问题：首先，智能设计算法依赖于电磁仿真计算进行数据采集，而更高维度的设计需要更大的仿真计算，从而显著增加了设计过程的时间成本；其次，流行的智能设计算法在面对高维设计问题时容易陷入局部最优解；最后，现有的智能设计算法主要集中在实现单目标设计，面对多目标设计问题时效果较差。因此，追求一种强大的设计方案来加速开发理想的太阳能热辐射选择性吸收材料仍然备受需求，这样的方案将有助于克服目前的智能设计算法存在的问题，并在短时间内取得更好的结果。

技术实现思路

[0005]针对上述存在的问题或不足，为解决当前太阳能热辐射选择性吸收材料设计过程中存在的设计时间成本较高、高维设计适用低、多目标设计效果差等问题，本专利技术提供了一种太阳能热辐射选择性吸收材料的设计方法，基于深度学习加速的多目标双重退火算法。
[0006]一种太阳能热辐射选择性吸收材料设计方法，基于深度学习加速的多目标双重退火算法，包括以下步骤：
[0007]S1：利用FDTD(有限时域差分法)在给定的结构参数范围内，对用于太阳能热辐射选择性吸收的微纳光子结构的物理模型进行计算以生成数据样本，数据样本为所述物理模型在太阳能辐射光谱范围到红外区域(0.3
‑
25微米范围内)的吸收率光谱，将数据样本随机划分为训练集和测试集。
[0008]微纳光子结构的物理模型是丰富的，可以是金属
‑
介质材料堆叠的多层薄膜、光栅二维结构或其它三维结构(如长方体、正方体、球体或圆柱体等)。相应的结构参数种类包括微纳光子结构的材料组成(通常为两个，金属材料类型和介质材料类型)，以及对应的结构
尺寸参数(如周期、长、宽、高或直径等)，具体根据使用时微纳光子结构的不同进行相应调整。结构参数范围对于长、宽、高等尺寸单位为数值范围(如10
‑
100nm)；对于材料组成等种类单位为材料库中种类范围，如[氟化镁、氧化铝、二氧化硅]范围内任选。其中，金属和介质材料均具有极大的自由度：可以是金、银、铂等贵金属材料，也可以是钛、铬、钨等高损耗材料；介质可以是氟化镁、氧化铝、二氧化硅等各种自然界存在或人工合成的介质材料。
[0009]S2：构建用来加速多目标双重退火算法的深度学习网络，深度学习网络的模型包括输入层、隐藏层和输出层。
[0010]输入层长度为S1中所述微纳光子结构的结构参数种类n，隐藏层由m个全连接层构建而成，对输入层的微纳光子结构的结构参数进行非线性变换并提取拟合特征。
[0011]隐藏层中的全连接层的数量m和每个全连接层的大小不唯一，通常通过经验选择或Optuna等开源的深度学习网络模型优化算法进行设计。
[0012]输出层长度为2501，对应着太阳能辐射光谱范围到红外区域(0.3
‑
25微米)的2501个吸收率光谱点。
[0013]初始化所述深度学习网络的结构参数，包括设置批量尺寸batch size、总学习次数epoch和初始学习率，采用Nadam作为梯度下降优化器，采用均方误差MSE作为损失函数，采用Swish函数作为深度学习网络的激活函数。
[0014]S3：将S1得到的训练集作为输入层输入至S2构建的深度学习网络进行训练，并利用S1得到的测试集验证深度学习网络的准确率性能，得到训练完成的深度学习网络。
[0015]S4：构建多目标双重退火算法，本专利技术采用多目标双重退火算法进行设计，双重退火算法将全局搜索算法和局部搜索算法相结合。
[0016]全局搜索算法通常擅长识别可能找到最佳解的区域(搜索空间中的盆地)，但往往难以在盆地内找到最佳解。另一方面，局部搜索算法在确定盆地内的理想值方面表现优异。
[0017]本专利技术提出的多目标双重退火算法可以对两个目标进行同时设计；其中目标函数FOM1作为主要设计目标，约束条件FOM2作为FOM1的限制因素，即本专利技术提出的多目标双重退火算法的设计逻辑为：
[0018][0019]即在满足FOM2的约束条件(FOM2≤0.1)的同时，最大化FOM1；FOM1和FOM2分别为：
[0020][0021]式中I
AM1.5
(λ)表示波长为λ时太阳能热辐射的法向辐射度，α(λ)和ε(λ)分别表示波长为λ时太阳能热辐射选择性吸收材料在太阳辐射光谱范围和红外区域的法向吸收率，dλ表示对波长求积分。
[0022]多目标双重退火算法的工作逻辑为：
[0023]1)、随机初始化多目标双重退火算法参数，设置全局退火温度的初始温度值T，马尔科夫链进度N＝0，马尔科夫链长度为M；
[0024]2)、设置当前随机初始化后的参数为最优参数解；
[0025]3)、在迭代过程中向最优参数解施加随机扰动后产生新参数解；
[0026]4)、判断新参数解是否满足约束条件，具体包括：
[0027]通过FDTD计算新参数解的吸收率光谱是否满足约束条件FOM2：若满足，则保留新参数解进入步骤5，此时N＝N+1；若不满足，则重复步骤3，直到找到吸收率光谱满足约束条件FOM2的新参数解；
[0028]5)、对比新参数解和最优参数解，具体包括：
[0029]通过FDTD分别计算新参数解和最优参数解的吸收率光谱所对应的FOM1的差值df：
[0030]若df＞0，则用当前的新参数解来更新最优参数解并进入步骤6；
[0031]若df≤0，则以概率P进行判断，概率P表示为e为自然对数函数的底数，rand为(0，1)区间均匀分布的随机数：若P＞rand，则用当前的新参数解来更新最优参数解并进入步骤6；若P≤rand，则保留最优参数解并进入步骤8；
[0032]6)、对步骤5更新的最优参数解进本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种太阳能热辐射选择性吸收材料设计方法，其特征在于，包括以下步骤：S1：利用有限时域差分法FDTD在给定的结构参数范围内，对用于太阳能热辐射选择性吸收的微纳光子结构的物理模型进行计算以生成数据样本，数据样本为所述物理模型在太阳能辐射光谱范围到红外区域0.3
‑
25微米的吸收率光谱，将数据样本随机划分为训练集和测试集；所述微纳光子结构的物理模型为金属
‑
介质材料堆叠的多层薄膜结构、光栅二维结构或三维结构，相应的结构参数包括微纳光子结构的材料组成，以及对应的结构尺寸参数；S2：构建用来加速多目标双重退火算法的深度学习网络，深度学习网络的模型包括输入层、隐藏层和输出层；输入层长度为S1中所述微纳光子结构的结构参数种类n，隐藏层由m个全连接层构建而成，对输入层的微纳光子结构的结构参数进行非线性变换并提取拟合特征；输出层长度为2501，对应太阳能辐射光谱范围到红外区域的2501个吸收率光谱点；初始化构建的深度学习网络的结构参数，包括设置批量尺寸batch size、总学习次数epoch和初始学习率，采用Nadam作为梯度下降优化器，采用均方误差MSE作为损失函数，采用Swish函数作为深度学习网络的激活函数；S3：将S1得到的训练集作为输入层输入至S2构建的深度学习网络进行训练，并利用S1得到的测试集验证深度学习网络的准确率性能，得到训练完成的深度学习网络；S4：将全局搜索算法和局部搜索算法相结合，构建多目标双重退火算法；多目标双重退火算法的设计逻辑为：即在满足FOM2的约束条件FOM2≤0.1的同时，最大化FOM1；FOM1和FOM2分别为：式中I
Am1.5
(λ)表示波长为λ时太阳能热辐射的法向辐射度，α(λ)和ε(λ)分别表示太阳能热辐射选择性吸收材料在太阳辐射光谱范围和红外区域的法向吸收率，dλ表示对波长求积分；S5：将S3训练完成的深度学习网络与S4的多目标双重退火算法结合，以深度学习网络加速多目标双重退火算法的计算，具体为：用S3训练完成的深度学习网络代替S4多目标双重退火算法中的FDTD计算部分；将多目标双重退火算法中的参数解输入训练完成的深度学习网络并输出相应的吸收率光谱，根据吸收率光谱计算多目标双重退火算法中使用的FOM1和FOM2。2.如权利要求1所述太阳能热辐射选择性吸收材料设计方法，其特征在于：所述金属为贵金属材料或高损耗金属材料；介质材料为氟化镁、氧化铝或二氧化硅。3.如权利要求1所述太阳能热辐射选择性吸收材料设计方法，其特征在于，所述S4构建的多目标双重退火算法的工作逻辑为：1)、随机初始化多目标双重退火算法参数，设置全局退火温度的初始温度值T，马尔科夫链进度N＝0，马尔科夫链长度为M；
2)、设置当前随机初始化后的参数为最优参数解；3)、在迭代过程中向最优参数解施加随机扰动后产生新参数解；4)、判断新参数解是否满足约束条件，具体包括：通过FDTD计算新参数解的吸收率光谱是否满足约束条件FOM2；若满足，则保留新参数解进入步骤5，此时N＝N+1；若不满足，则重复步骤3，直到找到吸收率光谱满足约束条件FOM2的新参数解；5)、对比新参数解和最优参数解，具体包括：通过FDTD分别计算新参数解和最优参数解的吸收率光谱所对应的FOM1的差值df...

【专利技术属性】
技术研发人员：张丽，马文壮，殷举航，涂春芝，夏云龙，慎戈斐，周桐，周佩珩，邓龙江，
申请(专利权)人：电子科技大学，
类型：发明
国别省市：