[论文解读] 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 4

一句话总结

本文提出了一种基于物理信息神经网络（PINN）的多尺度模型，用于预测聚氨酯相变材料（PU-PCM）复合材料在介观和宏观尺度下的导热系数。通过将物理定律与数据驱动学习相结合，该模型能够准确求解反问题，实现精确的热性能估算与优化，从而在模拟场景中将建筑能效和居住者热舒适度提升高达37.38%。

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.

研究动机与目标

• 解决在热性能评估中PU-PCM复合材料缺乏全面多尺度建模的问题。
• 通过将基于物理的约束与数据驱动的神经网络相结合，克服传统建模方法的局限性，实现对反问题的精确求解。
• 优化材料设计，以提升建筑围护结构的热绝缘性能和潜热储存能力。
• 评估优化后的PU-PCM复合材料在实际住宅场景中对室内热舒适度和能耗的影响。
• 展示PINN在复杂多尺度热系统建筑应用中的可扩展性与计算效率。

提出的方法

• 开发了一种分层多尺度建模框架，结合微尺度PINN与介观尺度RVE-FEM（代表性体积单元-有限元法）模型。
• 使用热传导的控制偏微分方程（PDEs），包括含源项和边界条件的热传导方程，对物理信息神经网络（PINNs）进行训练。
• 微尺度PINN模型通过最小化PDE残差、边界条件残差以及观测温度数据的损失，预测未知的导热系数场。
• 介观尺度RVE-FEM模型将微尺度材料参数转化为有效的宏观尺度热性能参数，用于建筑级模拟。
• 利用优化后的导热系数值进行宏观尺度建筑能耗模拟，以评估年能耗与热舒适度。
• 整个框架通过合成数据和含噪声数据进行验证，展示了在不确定性条件下的鲁棒性与高精度。

实验结果

研究问题

• RQ1 当输入温度数据有限或含有噪声时，基于PINN的模型在微尺度上对PU-PCM复合材料导热系数的预测精度如何？
• RQ2 该多尺度建模框架在连接微尺度材料性能与宏观尺度建筑能耗表现方面表现如何？
• RQ3 在真实住宅场景中，优化后的PU-PCM复合材料在提升室内热舒适度和降低能耗方面能达到何种程度？
• RQ4 物理约束的集成在多大程度上提升了神经网络在反问题热学预测中的泛化能力与可靠性？
• RQ5 在不确定性条件下，所提出的基于PINN的方法是否能优于传统的经验模型或纯数据驱动模型，实现更优的导热系数预测？

主要发现

• 即使在输入数据含噪声的情况下，基于PINN的微尺度模型在导热系数预测中仍实现了约10⁻³至10⁻²的相对误差，表现出高度的精度与鲁棒性。
• 多尺度模型成功求解了仅基于温度测量、边界条件和热源项来估算未知导热系数场的反问题。
• 在2022年瑞典于默奥（Umeå）进行的单户住宅案例研究中，优化后的PU-PCM复合材料使能效提升了2.64%，并相应减少了二氧化碳排放。
• 第一间卧室的热舒适持续时间提高了37.38%，客厅提高了11.22%，第二间卧室提高了8.58%，不适宜热环境的持续时间显著减少。
• 热满意度（以预测平均投票PMV衡量）在客厅提升了59.10%，第一间卧室提升了17.01%，第二间卧室提升了3.04%，表明居住者舒适度得到显著改善。
• PINN框架的计算效率支持其在大规模多尺度模拟中的可扩展性，为热系统设计提供了传统数值方法的有前景的替代方案。