弗吉尼亚大学ACS Nano：机械拉伸石墨烯薄片热传输的可转移、深度学习驱动的快速预测和设计

将石墨烯片堆积成块状对于实现石墨烯在柔性结构和设备中的大规模应用至关重要，而石墨烯片的任意形状、随机分布和相邻重叠仍对其基本性质的预测提出挑战，这些基本性质与机械强度和热或电子传输密切相关。

图1. 用于深度神经网络 (DNN) 的堆积石墨烯结构的模型和表征

在此，美国弗吉尼亚大学Baoxing Xu等人提出了一种基于深度神经网络 (DNN) 的机器学习 (ML) 方法，该方法与分子动力学模拟（MD）相结合能够预测具有广泛几何配置和尺寸的堆积石墨烯结构的热导率，以响应外部机械载荷。

此外，作者开发了一个基于物理的像素值矩阵来捕获堆积石墨烯结构的关键几何特征，并将其合并到DNN中以训练ML模型，该模型的唯一训练数据比率为12.5%，但预测精度为94%。ML模型进一步扩展了从原始训练数据集中转移的知识，以预测自定义数据集中堆积石墨烯的热传输。

图2. 基于DNN的ML框架预测堆积石墨烯结构中的热导率时的工作流程

此外，可转移的ML模型以及构建的数据库证明了在快速预测堆积石墨烯结构的热导率和加速搜索具有理想热导率的堆积石墨烯结构方面的鲁棒性和准确性。

更重要的是，作者证明了机械载荷引起的堆积石墨烯结构的配置变化可以通过训练的DNN来识别，ML模型很好地预测了对机械载荷的热响应，与地面实况模拟具有良好的一致性。

这项工作为通过ML模型定量评估石墨烯在机械载荷作用下的热导率奠定了基础，也为探索基于纳米材料的块体形式的机械可调热性能提供了合理途径，可用于设计具有可控热管理性能的柔性热结构和器件。

图3. ML模型用于从自定义数据集预测堆积石墨烯结构的热导率的可迁移性

Transferable, Deep-Learning-Driven Fast Prediction and Design of Thermal Transport in Mechanically Stretched Graphene Flakes, ACS Nano 2021. DOI: 10.1021/acsnano.1c06340

原创文章，作者：科研小搬砖，如若转载，请注明来源华算科技，注明出处：https://www.v-suan.com/index.php/2023/10/14/517bec9581/

弗吉尼亚大学ACS Nano：机械拉伸石墨烯薄片热传输的可转移、深度学习驱动的快速预测和设计

相关推荐