使用机器学习开发NaCl-MgCl₂-CaCl₂三度盐,用于高温热能存储

科学领域:

• 材料科学 材料科学 材料科学
• 计算化学计算化学
• 储能 储能 储能 储能 储能 储能

背景情况:

• 像NaCl-MgCl2-CaCl2这样的三级化物盐对高温热能存储具有前景.
• 准确预测它们的热物理性质和微观结构对于高效的应用至关重要.
• 传统的模拟方法对复杂的盐系统来说可能是计算密集的.

研究的目的:

• 使用机器学习开发NaCl-MgCl2-CaCl2三元化盐的精确原子间潜力.
• 通过深潜分子动力学 (DPMD) 研究这些盐的微观结构和热物理性质.
• 为验证机器学习分子动力学在盐勘探中的可行性.

主要方法:

• 利用了第一原则的分子动力学模拟结果作为数据集.
• 开发了一个基于神经网络的三元化盐的原子间潜力.
• 进行深潜分子动力学 (DPMD) 模拟,以分析微观结构和特性.

主要成果:

• DPMD模拟准确地预测了三元盐的微观结构和热物理特性.
• 观察到的阴离子-化物协会强度:Mg2+ > Ca2+ > Na+.
• 协调数量随着温度的增加而下降,这表明融结构更加混乱.
• 计算的特性 (密度,比热,导热率,粘度) 与实验数据有很好的一致性.

结论:

• 深潜分子动力学 (DPMD) 是计算盐特性的一种可靠方法.
• 机器学习分子动力学为探索多变量盐提供了一种可行的方法.
• 这项研究支持先进的太阳能发电厂和热能储能系统的设计.