用于辐射传热建模与逆向设计的深度学习

深度学习正在计算机科学和工程的许多领域产生巨大影响。受此成功的启发，深度神经网络正吸引着包括物理科学在内的许多其他学科越来越多的关注。在这项工作中，我们展示了人工神经网络可以成功用于各种辐射传热现象和设备的理论建模与分析。通过使用一组能够高效生成所需训练数据集的定制数值方法，我们在三个非常不同的问题中展示了这种方法，即：(i)形成双曲超材料的多层系统之间的近场辐射传热，(ii)光子晶体板结构中的被动辐射冷却，以及(iii)亚波长物体的热发射。尽管它们在本质上存在根本差异，但在所有三种情况下，我们都展示了使用中等规模数据集训练的简单神经网络架构可作为快速准确的代理模型用于数值模拟，以及用作辐射传热背景下逆向设计与优化的引擎。总体而言，我们的工作表明深度学习和人工神经网络为推进热辐射领域提供了宝贵且通用的工具包。