[論文レビュー] Emissivity Prediction of Functionalized Surfaces Using Artificial Intelligence

Greg I. Acosta, Andrew Reicks+4 more|arXiv (Cornell University)|Jan 14, 2022

Thermal Radiation and Cooling Technologies参考文献 50被引用数 12

ひとこと要約

本稿では、フェムト秒レーザー処理を施したアルミニウム6061表面の半球放射率を予測するデータ駆動型人工知能（AI）フレームワークを提案する。3次元レーザースキャニング顕微鏡（LSCM）画像とレーザー処理パラメータおよび表面特性を組み合わせることで、畳み込みニューラルネットワーク（CNN）および機械学習モデル（例：決定木、ANN）を訓練し、予測誤差が4%未満の高精度な予測を実現した。これは、熱放射工学における物理ベースのモデリングの代替手段として、非常に精度が高くスケーラブルであることを示している。

ABSTRACT

The radiative response of any object is governed by a surface parameter known as emissivity. Tuning the emissivity of surfaces has been of great interest in many applications involving thermal radiation such as thermophotovoltaics, thermal management systems, and passive radiative cooling. Although several surface engineering techniques (e.g., surface functionalization) have been pursued to alter the emissivity, there exists a knowledge gap in precisely predicting the emissivity of a surface prior to the modification/fabrication process. Predicting emissivity by a physics-based modeling approach is challenging due to surface's contributing factors, complex interactions and interdependence, and measuring the emissivity requires a tedious procedure for every sample. Thus, a new approach is much-needed to systematically predict the emissivity and expand the applications of thermal radiation. In this work, we demonstrate the immense advantage of employing artificial intelligence (AI) techniques to predict the emissivity of complex surfaces. For this aim, we fabricated 116 bulk aluminum 6061 samples with various surface characteristics using femtosecond laser surface processing (FLSP). A comprehensive dataset was established by collecting surface characteristic data, laser operating parameters, and measured emissivities for all samples. We demonstrated the application of AI in two distinct scenarios. First, the range of emissivity of an unknown sample was shown to be estimated correctly solely based on its 3D surface morphology image. Second, the emissivity of a sample was precisely predicted based on its surface characteristics data and fabrication parameters. The implementation of the AI techniques resulted in the highly accurate prediction of emissivity by showing excellent agreement with the measurements.

研究の動機と目的

• 製造前の機能化表面の放射率を予測するという重要な知識の空白を埋めること。
• 複雑な表面相互作用と高い計算コストによって制限される物理ベースのモデルの限界を克服すること。
• 熱放射応用のための正確で迅速かつ体系的な放射率予測を可能にするデータ駆動型AIフレームワークを開発すること。
• 表面形態画像と製造パラメータからAIを用いて放射率を予測する可能性を実証すること。

提案手法

• レーザー強度とパルス数を変化させたフェムト秒レーザー表面処理（FLSP）を用いて、116個のアルミニウム6061試料を製作した。
• 表面形態を捉えるために250枚の3次元LSCM画像を収集し、表面特性を抽出した。
• 熱画像カメラを用いて方向放射率（7.5–14 µm）を測定し、数値的に統合して全半球放射率を算出した。
• LSCM画像を入力として畳み込みニューラルネットワーク（CNN）を訓練し、試料を7つの放射率カテゴリーに分類する特徴抽出器とした。
• LSCM由来の特徴とレーザーパラメータおよび表面特性を統合し、包括的なデータセットを構築した。
• 80%を訓練用、10%を検証用、10%をテスト用に分けることで、kNN、ANN、GLM、W-M5P、および決定木（DT）の複数のモデルを評価した。

実験結果

リサーチクエスチョン

• RQ1 AIは、3次元表面形態画像のみから、機能化表面の放射率範囲を正確に推定できるか？
• RQ2 ディープラーニングと機械学習を組み合わせたハイブリッドAIモデルは、表面特性と製造パラメータを用いて、FLSP処理を施したアルミニウム表面の正確な放射率を予測できるか？
• RQ3 複数モodalな入力データ（画像、パラメータ、表面特徴）から放射率を予測する際、異なる機械学習モデルの性能はどのように比較できるか？
• RQ4 画像ベースの特徴抽出誤差が、最終的な放射率予測精度に与える影響は何か？

主な発見

• CNNベースの画像分類モデルは、高い精度で試料を放射率カテゴリーに分類でき、表面形態画像のみからAI駆動の放射率範囲推定が可能であることを示した。
• 決定木（DT）および人工ニューラルネットワーク（ANN）モデルが最も優れた性能を示し、テストセットにおける平均絶対誤差はそれぞれ3.31%および3.88%であった。
• DTおよびANNモデルの決定係数（R²）は、それぞれ0.979および0.980であり、予測値と測定値の間に強い一致を示した。
• W-M5PおよびkNNモデルについても優れた性能を示し、R²値は0.96以上、RMSE値は0.05未満であった。
• 2つの試料で顕著な予測誤差が観察されたが、これはモデル1のCNNによる特徴抽出誤差がモデル2に伝播したことが原因であると推定された。
• 本研究は、複雑な機能化表面の放射率予測において、物理ベースのモデリングの代替手段としてスケーラブルなデータ駆動型フレームワークを確立した。