Materialen die helpen om je huis te koelen zonder airconditioning.

Een internationaal onderzoeksteam uit de VS, China, Singapore en Zweden heeft een nieuwe methode gepubliceerd voor het ontwerpen van materialen die de temperatuur effectiever kunnen reguleren.

Het onderzoek, gepubliceerd in het tijdschrift Nature , maakt gebruik van machine learning-technologie om materialen te ontwikkelen die thermische meta-emitters worden genoemd. Deze materialen kunnen reguleren hoe ze warmte absorberen en afgeven. Het doel van het team is om materialen te creëren die de temperatuur in gebouwen helpen verlagen, waardoor energie wordt bespaard en die mogelijk ook in de ruimtevaart kunnen worden toegepast.

Het is mogelijk om jaarlijks tienduizenden kilowatts aan energie te besparen.

FOTO: PEXELS

Thermische nanofotonica , de studie van de interactie tussen licht en warmte op kleine schaal, biedt veelbelovende mogelijkheden voor vooruitgang op gebieden zoals energietechnologie en thermofotovoltaïsche cellen. Het ontwerpen van deze materialen is echter vaak een uitdaging vanwege de afhankelijkheid van trial-and-error-methoden, wat leidt tot trage vooruitgang. Traditionele methoden zijn vaak beperkt tot eenvoudige vormen en vaste materialen, waardoor het moeilijk is om optimale oplossingen te vinden.

Machine learning maakt de weg vrij voor de volgende generatie 'zelfkoelende' materialen.

De nieuwe methode van het onderzoeksteam maakt gebruik van machine learning-technologie om deze beperkingen te overwinnen. Het systeem is in staat complexe driedimensionale structuren en een breed scala aan materialen te verwerken, zelfs met slechts een kleine hoeveelheid data. De kracht van deze methode ligt in het vermogen om automatisch miljoenen ontwerpen te doorzoeken die aan specifieke eisen voldoen, terwijl het tegelijkertijd gebruikmaakt van een driedimensionaal model, waardoor de ontwerpmogelijkheden worden uitgebreid ten opzichte van eerdere tweedimensionale methoden.

Het onderzoeksteam creëerde meer dan 1500 verschillende materialen met uiteenlopende warmtegenererende eigenschappen. Ze testten ook zeven ontwerpen die superieure koel- en optische prestaties vertoonden in vergelijking met bestaande alternatieven. Co-hoofdonderzoeker Yuebing Zheng verklaarde: "Ons machine learning-framework is een grote stap voorwaarts in het ontwerp van superheaters. Door het proces te automatiseren, konden we materialen creëren met voorheen ondenkbare superieure prestaties."

Om de haalbaarheid van het systeem te testen, vervaardigde het onderzoeksteam vier materialen en testte deze op het dak van een prototypewoning. De resultaten toonden aan dat het met meta-emitter gecoate dak 5 tot 20 graden Celsius koeler was dan een wit of grijs geverfd dak na 4 uur blootstelling aan de zon. Naar schatting zou dit verkoelende effect in een appartementencomplex in warme steden zoals Rio de Janeiro of Bangkok een energiebesparing van ongeveer 15.800 kW per jaar kunnen opleveren.

Naast toepassingen in woonhuizen kunnen deze materialen helpen de temperatuur in steden te verlagen door zonlicht te reflecteren en warmte af te geven, waardoor het stedelijk hitte-eilandeffect, een factor die bijdraagt ​​aan de opwarming van de aarde, wordt verminderd. Ze kunnen ook worden gebruikt in ruimtevaartuigen voor temperatuurregeling, of in alledaagse producten zoals verkoelende stoffen voor kleding en autocoatings.

Professor Zheng benadrukte dat traditionele methoden vaak traag en suboptimaal zijn, terwijl het nieuwe raamwerk meer mogelijkheden biedt voor het optimaliseren van materiaalontwerp. Het onderzoeksteam is van plan de technologie verder te verbeteren en toe te passen op het gebied van nanofotonica om het potentieel van machinaal leren te benutten bij het ontwerpen van zeer efficiënte warmtegeneratoren.

Bron: https://thanhnien.vn/vat-lieu-giup-lam-mat-nha-ma-khong-can-dieu-hoa-185251018180423352.htm