机器学习模型用于预测辐射冷却气凝的热性能

科学领域:

• 材料科学 材料科学 材料科学
• 气候科学 气候科学
• 人工智能的人工智能

背景情况:

• 由于全球气候危机和能源需求,迫切需要高效的冷却材料.
• 辐射冷却材料为减少能源消耗和减轻热岛效应提供了被动解决方案.
• 开发高性能辐射冷却气凝 (RCAs) 需要了解复杂的材料环境相互作用.

研究的目的:

• 开发和验证一种机器学习 (ML) 模型,用于预测辐射冷却气凝 (RCAs) 的冷却性能.
• 确定影响RCA性能的关键材料和环境参数.
• 通过特征分析,为优化RCA设计提供理论指导.

主要方法:

• 在ML模型中整合各种参数,包括材料组成,修改设计,光学性能和环境因素.
• 对各种ML算法的比较分析,重点关注XGBoost的预测准确性.
• 应用沙普利增量解释 (SHAPs) 模型可解释性和特征重要性分析.

主要成果:

• 一个优化的XGBoost模型实现了RCA性能的高预测精度,在测试数据集上R2=0.943和RMSE=1.423.
• SHAP分析发现氧化 (ZnO) 是一个显著的修饰剂,环境温度和太阳辐射是冷却性能的关键环境决定因素.
• 特性相互作用分析揭示了材料组成和影响冷却效率的环境条件之间的复杂关系.

结论:

• 机器学习,特别是XGBoost模型,为预测RCA性能提供了一个强大的框架.
• 改性和特定的环境条件是优化辐射冷却效率的关键因素.
• 开发的模型和分析为合理设计先进的辐射冷却材料提供了宝贵的见解,以应对气候和能源挑战.