[論文レビュー] Multi-scale modeling in thermal conductivity of Polyurethane incorporated with Phase Change Materials using Physics-Informed Neural Networks

Bokai Liu, Yizheng Wang+3 more|arXiv (Cornell University)|Jul 31, 2023

Building Energy and Comfort Optimization参考文献 43被引用数 4

ひとこと要約

本論文は、メゾスケールおよびマクロスケールにおいてポリウレタン相変化材料（PU-PCM）複合材料の熱伝導率を予測するための、物理則を組み込んだニューラルネットワーク（PINN）に基づくマルチスケールモデルを提案する。物理法則とデータ駆動型学習を統合することで、逆問題を正確に解き、熱的性質の高精度な推定と最適化を可能にし、シミュレートされたシナリオにおいて建物のエネルギー効率と居住者の熱的快適性を最大37.38%向上させる。

ABSTRACT

Polyurethane (PU) possesses excellent thermal properties, making it an ideal material for thermal insulation. Incorporating Phase Change Materials (PCMs) capsules into Polyurethane (PU) has proven to be an effective strategy for enhancing building envelopes. This innovative design substantially enhances indoor thermal stability and minimizes fluctuations in indoor air temperature. To investigate the thermal conductivity of the PU-PCM foam composite, we propose a hierarchical multi-scale model utilizing Physics-Informed Neural Networks (PINNs). This model allows accurate prediction and analysis of the material's thermal conductivity at both the meso-scale and macro-scale. By leveraging the integration of physics-based knowledge and data-driven learning offered by PINNs, we effectively tackle inverse problems and address complex multi-scale phenomena. Furthermore, the obtained thermal conductivity data facilitates the optimization of material design. To fully consider the occupants' thermal comfort within a building envelope, we conduct a case study evaluating the performance of this optimized material in a single room. Simultaneously, we predict the energy consumption associated with this scenario. All outcomes demonstrate the promising nature of this design, enabling passive building energy design and significantly improving occupants' comfort. The successful development of this PINNs-based multi-scale model holds immense potential for advancing our understanding of PU-PCM's thermal properties. It can contribute to the design and optimization of materials for various practical applications, including thermal energy storage systems and insulation design in advanced building envelopes.

研究の動機と目的

• PU-PCM複合材料の熱的性能評価における包括的なマルチスケールモデリングの不足に対処すること。
• 従来のモデリングの限界を克服し、物理的制約とデータ駆動型ニューラルネットワークを統合することで、正確な逆問題の解法を実現すること。
• 建物の外皮における熱絶縁性と顕熱蓄熱性能の向上を目的とした材料設計の最適化を行うこと。
• 最適化されたPU-PCM複合材料が住宅環境における室内の熱的快適性とエネルギー消費に与える実世界の影響を評価すること。
• 複雑なマルチスケール熱システムにおける建物応用において、PINNのスケーラビリティと計算効率を示すこと。

提案手法

• 微小スケールPINNとメゾスケールRVE-FEM（代表体積要素－有限要素法）モデルを組み合わせた階層的マルチスケールモデリングフレームワークを構築した。
• 熱伝導の支配的偏微分方程式（PDE）を用いて、物理則を組み込んだニューラルネットワーク（PINN）を訓練した。PDEには、源項を含む熱方程式と境界条件が含まれる。
• 微小スケールPINNモデルは、PDEの残差、境界条件、観測された温度データからの損失を最小化することで、未知の熱伝導率場を予測する。
• メゾスケールRVE-FEMモデルは、微小スケールの材料パラメータを建物スケールの有効なマクロスケール熱的特性に変換する。
• 最適化された熱伝導率値を用いてマクロスケールの建物エネルギーシミュレーションを実施し、年間エネルギー消費と熱的快適性を評価した。
• 合成データおよびノイズを含むデータを用いた検証により、不確実性下でも高い耐性と正確性を示した。

実験結果

リサーチクエスチョン

• RQ1 限られたまたはノイズを含む温度データが与えられた場合、PINNベースのモデルは微小スケールでPU-PCM複合材料の熱伝導率をどの程度正確に予測できるか？
• RQ2 マルチスケールモデリングフレームワークは、微小スケールの材料特性からマクロスケールの建物エネルギー性能へどのように橋渡しを行うか？
• RQ3 最適化されたPU-PCM複合材料は、実世界の住宅環境において、室内の熱的快適性をどの程度向上させ、エネルギー消費をどの程度削減するか？
• RQ4 物理的制約の統合は、逆熱的問題におけるニューラルネットワーク予測の一般化性と信頼性をどの程度向上させるか？
• RQ5 不確実性下で、提案されたPINNベースのアプローチは、従来の経験的または完全にデータ駆動型のモデルを上回る熱伝導率予測性能を示せるか？

主な発見

• ノイズを含む入力データに対しても、PINNベースの微小スケールモデルは相対誤差が約10⁻³から10⁻²の範囲に収まり、高い正確性と耐性を示した。
• マルチスケールモデルは、温度測定値、境界条件、熱源項のみを用いて、未知の熱伝導率場を推定する逆問題を効果的に解いた。
• 2022年スウェーデン・ウメーアで実施された単一住宅のケーススタディにおいて、最適化されたPU-PCM複合材料はエネルギー効率を2.64%向上させ、それに伴いCO₂排出量も削減された。
• 1号室では熱的快適時間は37.38%、リビングルームでは11.22%、2号室では8.58%延長され、不快な熱的状態の発生が顕著に減少した。
• 熱的満足度（予測平均投票値：PMV）は、リビングルームで59.10%、1号室で17.01%、2号室で3.04%向上し、居住者の快適性が著しく向上したことが示された。
• PINNフレームワークの計算効率は、大規模なマルチスケールシミュレーションへのスケーラビリティを支え、熱的システム設計における従来の数値的手法の有望な代替手段であることが示された。