使用深度学习框架有效优化波长选择性热发射器:示例应用

发射率工程通用深度学习框架

与典型的发射率工程过程一样,波长选择性热发射器 (WSTE) 通常设计用于实现目标发射率光谱,适用于热伪装和辐射冷却等广泛应用。

然而,早期的设计需要了解不同应用所用的材料或结构。 为每种应用设计的 WS-TE 在材料和结构方面都不同。 因此,不存在可以应用于所有发射率应用的设计框架。 以前的设计没有解决材料和结构的同步设计和选择。 他们要么先设计结构,然后选择材料,要么先设计材料,然后选择结构。

中国华中科技大学能源与动力工程学院胡润教授及其同事的研究团队在《光:科学与应用》杂志上发表了一篇新论文,提出了一种基于深度Q-的深度学习框架 学习算法(DQN),用于高效且适用于不同应用的 WSTE 优化设计。

来源和详细信息:
https://phys.org/news/2024-02-general-deep-framework-emissivity.html