基于物理信息神经网络的多尺度建模：含相变材料聚氨酯的热导率研究
计算物理
2023-11-17 v1
摘要
聚氨酯（PU）具有优异的热性能，是理想的隔热材料。将相变材料（PCMs）胶囊掺入聚氨酯（PU）已被证明是增强建筑围护结构的有效策略。这一创新设计显著提升了室内热稳定性并减小了室内空气温度的波动。为研究 PU-PCM 泡沫复合材料的热导率，我们提出了一种利用物理信息神经网络（PINNs）的层次化多尺度模型。该模型可在细观尺度和宏观尺度上准确预测和分析材料的热导率。通过利用 PINNs 所提供的基于物理的知识与数据驱动学习的融合，我们有效解决了逆问题并应对复杂的多尺度现象。此外，所获得的热导率数据有助于材料设计的优化。为充分考虑建筑围护结构内居住者的热舒适，我们开展了一个案例研究，评估该优化材料在单房间中的性能。同时，我们预测了此场景下的能耗。所有结果均表明该设计前景广阔，可实现被动式建筑能源设计并显著改善居住者舒适度。这一基于 PINNs 的多尺度模型的成功开发，对深化我们对 PU-PCM 热性能的理解具有巨大潜力，可助力包括热能存储系统和先进建筑围护结构隔热设计在内的多种实际应用中的材料设计与优化。
引用
@article{arxiv.2307.16785,
title = {Multi-scale modeling in thermal conductivity of Polyurethane incorporated with Phase Change Materials using Physics-Informed Neural Networks},
author = {Bokai Liu and Yizheng Wang and Timon Rabczuk and Thomas Olofsson and Weizhuo Lu},
journal= {arXiv preprint arXiv:2307.16785},
year = {2023}
}
备注
25 pages, 25 figures