← 返回
用于设计高储能性能聚合物纳米复合材料的相场模拟物理信息神经网络
Physics-informed neural networks for phase-field simulation in designing high energy storage performance polymer nanocomposites
| 作者 | Qiao Li · Tan Zeng · Hongxiao Yang · Jun Ma · United Kingdom · Qi Li |
| 期刊 | Applied Physics Letters |
| 出版日期 | 2025年1月 |
| 卷/期 | 第 126 卷 第 5 期 |
| 技术分类 | 储能系统技术 |
| 技术标签 | SiC器件 深度学习 |
| 相关度评分 | ★★★★★ 5.0 / 5.0 |
| 关键词 | 物理信息神经网络 相场模拟 高储能性能 聚合物纳米复合材料 设计 |
语言:
中文摘要
本文提出一种基于物理信息神经网络（PINNs）的相场模拟方法，用于高效设计高能量存储性能的聚合物纳米复合材料。该方法融合深度学习与相场模型，通过嵌入控制方程和物理约束，显著提升计算效率并准确预测纳米复合材料中电畴演化与界面效应。结合实验验证，所提模型可优化填料分布与微观结构，实现高储能密度与低损耗。研究为多功能介电材料的设计提供了新范式。
English Abstract
Dong-Duan Liu, Qiao Li, Yu-Jie Zhu, Ruo-Jie Cheng, Tan Zeng, Hongxiao Yang, Jun Ma, Jin-Liang He, Qi Li, Chao Yuan; Physics-informed neural networks for phase-field simulation in designing high energy storage performance polymer nanocomposites. _Appl. Phys. Lett._ 3 February 2025; 126 (5): 052901.
S
SunView 深度解读
该物理信息神经网络相场模拟技术对阳光电源储能系统的介电材料设计具有重要应用价值。在ST系列储能变流器和PowerTitan大型储能系统中，高能量密度电容器是直流母线支撑和滤波的关键器件，该技术可优化聚合物薄膜电容的填料分布与微观结构，提升储能密度并降低介电损耗，直接改善功率密度和系统效率。结合SiC器件的高频开关特性，优化后的电容材料可减小无源器件体积，提升系统集成度。此外，该深度学习加速的材料设计方法可缩短研发周期，为阳光电源自主开发高性能电力电子用介电材料提供新范式，增强核心器件的技术自主性。