هوش‌مصنوعی ماده‌ای خنک‌کننده برای خانه طراحی کرد

ماده‌های طراحی‌شده با هوش مصنوعی بهتر از رنگ‌ها عمل کرده و انرژی را ذخیره می‌کنند. کاربردهای این مواد شامل خانه‌ها، لباس‌ها و فناوری فضا است. کلاسی جدید از مواد که با کمک هوش مصنوعی و یادگیری ماشین ایجاد شده‌اند، می‌تواند به کاهش دمای داخل ساختمان‌ها و کاهش هزینه‌های انرژی کمک کند.

دانشمندان دانشگاه تگزاس در آستین به همراه همکارانی از دانشگاه شانگهای جیاو تونگ، دانشگاه ملی سنگاپور و دانشگاه اوما در سوئد، روشی مبتنی بر یادگیری ماشین برای طراحی متا-فرستنده‌های حرارتی پیچیده و سه‌بعدی ابداع کردند. با این چارچوب، آنها بیش از 1,500 ماده منحصر به فرد ایجاد کردند که قادر به انتشار انتخابی حرارت به روش‌های کنترل‌شده هستند و دقت بیشتری را در گرمایش و سرمایش برای بهبود کارایی انرژی فراهم می‌آورند.

یوبینگ ژنگ، استاد دانشگاه در دانشکده مهندسی والکر و بخش مهندسی مکانیک، و یکی از رهبران این مطالعه که در نشریه Nature منتشر شده است، گفت: «چارچوب یادگیری ماشین ما یک پیشرفت بزرگ در طراحی متا-فرستنده‌های حرارتی است. با خودکارسازی فرایند و گسترش فضای طراحی، می‌توانیم موادی با عملکرد برتر ایجاد کنیم که قبلاً غیرقابل تصور بودند.»

آزمون‌های سرمایش صرفه‌جویی چشمگیری در مصرف انرژی را نشان می‌دهد

برای ارزیابی سیستم طراحی خود، محققان چهار ماده نمونه ساخته و عملکرد آن‌ها را آزمایش کردند. یکی از این مواد بر روی سقف یک خانه مدل اعمال شد و توان سرمایش آن با رنگ‌های سفید و خاکستری تجاری استاندارد مقایسه گردید. پس از چهار ساعت قرارگیری در معرض نور مستقیم آفتاب در میانه روز، سقفی که با ماده متا-فرستنده پوشانده شده بود، به طور متوسط، 5 تا 20 درجه سلسیوس خنک‌تر از سقف‌هایی بود که با رنگ‌های معمولی پوشانده شده بودند.

بر اساس این عملکرد، تیم تحقیقاتی تخمین زد که این نوع سرمایش می‌تواند حدود 15,800 کیلووات‌ساعت صرفه‌جویی انرژی در سال در یک ساختمان آپارتمانی در شهری گرم مانند ریو دو ژانیرو یا بانکوک ایجاد کند. برای مقایسه، یک واحد تهویه مطبوع استاندارد معمولاً حدود 1,500 کیلووات‌ساعت در سال مصرف می‌کند.

محققان مواد متا-فرستنده خود را با رنگ‌آمیزی ساختمان‌های مدل و قرار دادن آن‌ها در معرض نور خورشید برای بررسی دما آزمایش کردند.

کاربردهای بالقوه این مواد فراتر از صرفه‌جویی در انرژی مسکونی و تجاری است. با استفاده از همان رویکرد یادگیری ماشین، تیم تحقیقاتی هفت دسته از متا-فرستنده‌ها را ایجاد کرد که هر کدام به طور خاص برای عملکردهای خاص طراحی شده‌اند.

این مواد می‌توانند در شهرها برای کاهش دمای شهری از طریق بازتاب نور خورشید و انتشار حرارت در طول‌موج‌های هدفمند مورد استفاده قرار گیرند، که احتمالاً می‌تواند اثر جزیره حرارتی شهری ناشی از ساختارهای بتن فشرده و فضای سبز محدود را کاهش دهد. همچنین این مواد می‌توانند در کاربردهای فضایی برای کمک به تنظیم دمای فضاپیماها از طریق مدیریت کارآمد تابش خورشید ورودی و حرارت منتشر شده استفاده شوند.

کاربردهای مصرفی در منسوجات و وسایل نقلیه

علاوه بر کاربردهای این تحقیق، متا-فرستنده‌های حرارتی می‌توانند جزئی از بسیاری از چیزهایی شوند که ما روزانه از آن‌ها استفاده می‌کنیم. ادغام آن‌ها در پارچه‌ها و بافت‌ها می‌تواند فناوری سرمایش در لباس‌ها و تجهیزات فضای باز را بهبود بخشد. پوشاندن خودروها با این مواد و جاسازی آن‌ها در مواد داخلی می‌تواند از تجمع حرارت در هنگام قرارگیری خودروها در زیر آفتاب جلوگیری کند.

فرایند پرزحمت سنتی طراحی این مواد باعث شده است که استفاده گسترده از آن‌ها محدود شود. گزینه‌های خودکار دیگر نیز برای مقابله با پیچیدگی ساختار سه‌بعدی و سلسله‌مراتبی متا-فرستنده‌ها با مشکلاتی مواجه هستند، که نتیجه آن محدود به هندسه‌های ساده‌ای همچون لایه‌های نازک یا الگوهای صفحه‌ای است که عملکرد آن‌ها در برخی معیارها ناکافی است.

ساختمان میانی با مواد متا-فرستنده طراحی‌شده توسط محققان پوشانده شده است. این سازه پس از قرارگیری در معرض نور خورشید، دمای کمتری نسبت به دو ساختمان دیگر که از رنگ معمولی استفاده کرده بودند، نشان داد.

ژنگ گفت: «به طور سنتی، طراحی این مواد فرایندی کند و پرزحمت بوده است که به روش‌های آزمون و خطا تکیه داشته است، این رویکرد معمولاً منجر به طراحی‌های ناکارآمد می‌شود و توانایی ایجاد موادی با خواص لازم برای مؤثر بودن را محدود می‌کند.»

محققان به کار بر روی این فناوری ادامه خواهند داد و آن را به جنبه‌های بیشتری از زمینه نانوفتونیک، تعامل نور و ماده در کوچک‌ترین مقیاس‌ها اعمال خواهند کرد.

کان یائو، یکی از نویسندگان این تحقیق و پژوهشگر همکار گروه ژنگ، گفت: «یادگیری ماشین ممکن است راه‌حل همه چیز نباشد، اما نیازهای طیفی منحصر به فرد مدیریت حرارتی، آن را به ویژه برای طراحی فرستنده‌های حرارتی با عملکرد بالا مناسب می‌کند.»

منبع خبر : scitechdaily.com