机器学习支持的FDTD/FEM模拟用于在等离子金属材料纳米腔阵列中预测太阳能吸收
Zahra Ashrafi-Peyman1, Amir Dashti2, Amir Jafargholi3
1Department of Physics, Sharif University of Technology, Tehran 11555-9161, Iran. moshfegh@sharif.edu.
Nanoscale
|May 22, 2025
概括
这项研究介绍了一种新的超材料太阳能吸收器,使用等离子学和机器学习来增强能量收获. 优化的设计实现了95.44%的吸收效率,为先进的太阳能技术铺平了道路.
科学领域:
- 材料科学 材料科学 材料科学
- 纳米技术纳米技术
- 可再生能源可再生能源是可再生能源.
背景情况:
- 超材料 (MTM) 对太阳能采集具有前景,但仅通过模拟来优化其性能是困难的.
- 等离子纳米结构为太阳能应用提供了增强的光吸收能力.
研究的目的:
- 通过整合电磁模拟与机器学习 (ML) 来设计和预测等离子体超材料太阳能吸收器的光学行为.
- 为了实现高吸收效率,并了解在拟议的纳米结构中潜在的光吸收机制.
主要方法:
- 利用有限差异时间域 (FDTD) 和有限元素方法 (FEM) 模拟来分析具有TiO2层的TiN纳米腔阵列.
- 使用机器学习模型,包括粒子优化-自适应神经模糊推理系统 (PSO-ANFIS) 和遗传编程 (GP),用于预测建模.
- 经过验证的模拟结果与现有文献中的实验数据.
主要成果:
- 通过330nm厚度的元材料吸收器,在200-1300nm范围内实现了95.44%的吸收效率.
- 由于合的表面等离子体极子子 (SPPs),局部表面等离子体共振 (LSPRs) 和纳米腔模式,证明了强烈的光吸收.
- PSO-ANFIS模型显示出高预测精度 (R2=0.92),GP提供了一个简单的预测方程.
- 超材料吸收器是极化不敏感的,可扩展的,具有成本效益的,并且稳定到50°的斜率.
结论:
- 机器学习和电磁模拟的整合加速了超材料太阳能吸收器的设计和优化.
- 开发的超材料对下一代太阳能采集具有出色的性能特征.
- 这种方法为光吸收机制提供了新的见解,推动了太阳能技术的发展.
