來源|Thermal Science and Engineering Progress

01背景介紹

復合材料結構的有效導熱系數取決于許多變量，包括不同相的固有特性、微觀結構和不同相之間的界面。建模方法，包括理論和仿真方法，是理解這些因素對復合材料性能影響的有力工具。特別是，仿真模型能夠解決需要昂貴、耗時和難以重現的實驗過程的情況。此外，大型的微觀結構和性能模擬數據集可以豐富有限的實驗數據，從而實現數據驅動的復合材料設計。

滲透路徑以及復合材料的組分和界面性質決定了復合材料的輸運性質。滲流理論與區(qū)域內截斷網絡的形成有關，這有利于熱通量通過遠程連通性轉移。根據實驗觀察，當顆粒體積分數超過一定值時，復合材料結構的有效導熱系數急劇增加。這是復合結構中形成滲透路徑的點，稱為滲透閾值。換句話說，根據實驗和數值研究的觀察結果，有效導熱系數隨顆粒含量增加的增強是非線性的。

蒙特卡羅模擬是一種眾所周知的理論預測隨機或均勻分布結構中滲透閾值的策略，在以往對不同孔隙形狀、顆粒形狀和縱橫比的復合材料結構的研究中得到了廣泛應用。在某些情況下，有效導熱系數的顯著增強并不會隨著高導熱系數顆粒體積分數的增加而發(fā)生。此外，滲流路徑受到界面熱阻的強烈影響，而界面熱阻來源于該區(qū)域的界面聲子散射。因此，在計算有效導熱系數時，必須同時考慮界面熱阻和滲流的發(fā)生。

對于復合材料的有效導熱系數的預測，已有幾種解析和數值方法。分析方法如Maxwell和Bruggeman模型，易于使用，但不考慮復合材料中材料分布的細節(jié)。相比之下，基于求解偏微分方程(PDE)的數值方法，如有限元法(FEM)，能夠考慮復合材料中顆粒的形態(tài)和分布，但計算成本非常高。

隨著機器學習(ML)技術的最新進展，人們對開發(fā)代理模型來解決基于數據分析的工程問題越來越感興趣。機器學習作為數據驅動方法的一個子類，為材料研究界設計和發(fā)現新材料打開了一扇新的大門。事實上，數據驅動分析使用強大而有前途的工具來揭示數據中的隱含相關性，為此發(fā)展可以通過使用各種ML模型進一步模擬預測關于復合材料的導熱系數是非常重要的。

02

成果掠影

近期，

德國達姆施塔特工業(yè)大學的Mozhdeh Fathidoost團隊在通過機器學習建立模型講材料的參數與有效導熱系數的響應聯系起來取得新進展。

該論文旨在探討復合材料組分的不同熱參數和幾何參數、界面阻力和滲透路徑對復合材料有效導熱系數的影響。以及不同特性對目標有效導熱系數的重要性。本研究的其他次要目標是建立替代模型，將復合材料樣品的輸入參數與有效導熱系數響應關聯起來，以及訓練一個基于滲透路徑存在的微觀結構分類模型。通過數據驅動的熱滲透分析，闡明了各種特性對復雜三維復合材料結構有效導熱系數的影響。這些特征包括復合材料成分的熱學和幾何性質、界面阻力和滲透路徑的存在。生成了一系列具有不同特征的體素微觀結構樣本。使用基于擴散界面的均勻化方法計算評估了它們的有效導熱系數。采用基于體素的算法識別結構中潛在的滲透路徑。均質化結果表明，在高縱橫比和界面阻力的復合樣品中，滲透路徑的影響尤為顯著。利用數據驅動的靈敏度研究分析了不同的熱特征和幾何特征對有效導熱系數的重要性。分析還表明，顆粒體積分數和界面熱阻是決定有效導熱系數的最重要特征。最后，采用基于代理的分類模型，可以以93%的準確率區(qū)分有和沒有滲透的微觀結構。

研究成果以“Data-driven thermal and percolation analyses of 3D composite structures with interface resistance”為題發(fā)表于《Materials & Design》。

03圖文導讀

圖1.基于參數化微觀結構的熱滲流分析工作流程。

圖2.(a)表示數據驅動分析的樹狀圖;(b)數據集中選定幾何圖形的說明，用于數據分析。

圖3.不同RVE邊緣長度(25-150 nm)的RVE收斂測試。

圖4.復合材料結構中熱通量的大小示意圖。

圖5.熱滲流閾值的模擬。

圖6.不同體積分數材料的性能變化趨勢示意圖。

圖7.ML模型預測的keff值與熱均勻化模擬結果的散點圖。

圖8.(a)排列重要性法和(b) Pearson系數法得到的SA結果;(c)用DT替代模型對微觀結構進行分類。

審核編輯：湯梓紅