【技术实现步骤摘要】
本专利技术涉及工程热物理领域，具体为基于机器学习优化的多层膜热发射器结构。
技术介绍
1、21世纪最重要的挑战之一与环境和能源问题有关。世界能源理事会强调未来几十年，电力消耗份额将显著上升，总能源消耗将相对温和地增加。由于全球能源需求不断增长及其对环境的影响，未来40年电力消耗将翻一番以上。太阳能热系统一直在蓬勃发展，在过去的几十年里，tpv的应用前景广阔，故tpv技术被认为是解决这个紧迫问题的完美解决方案。当热发射器的温度极高31时，tpv特别适合能量转换，典型温度从1200到2000k不等。在tpv系统中，热源发出热辐射，在热发射器和光伏电池之间产生温度差。然后，热发射器向光伏电池表面发射高能光子，从而产生电能。然而，在这个过程中，某些发射的光子具有低于带差距能量的能量。根据太阳能光伏电池的能量转换机制，能量低于带隔能量的光子无法产生光电流。
2、为了提高tpv系统的性能，可以选择带差距能量较低的光伏电池，或者具有高光谱效率的热发射器。但是目前可用的成熟光伏电池的光伏转换效率相对较低，因此，设计具有高光谱效率的热发射器更可行。为了评估发射设备的性能，可以考虑以下五个方面：光学性能、转换效率、高温稳定性、可扩展性、系统集成和成本。与此同时，希望在特定光谱范围内极大地最大化发射率，并在剩余光谱范围内将其最小化，以最大限度地提高tpv系统的发电和转换效率。因此，选择品质系数(fom)来评估tpv热发射器性能。因为具有一维结构的热发射器相对易于制造且成本低，故备受关注。因此，更倾向于提出一个非周期性结构极化不敏感的tpv
技术实现思路
1、本专利技术的目的在于提供基于机器学习优化的多层膜热发射器结构，以解决上述
技术介绍
中提出的问题。
2、为实现上述目的，本专利技术提供如下技术方案：
3、基于机器学习优化的多层膜热发射器结构，包括多层膜热发射器，所述多层膜热发射器由第一钨层、第一硅层、第二钨层、第二硅层、第三钨层、第三硅层、二氧化硅层和第四硅层组成，所述第一钨层、第一硅层、第二钨层、第二硅层、第三钨层、第三硅层、二氧化硅层和第四硅层自下而上依次设置。
4、优选的，所述第一钨层、第二钨层和第三钨层的厚度分别为105纳米、24纳米和15纳米，所述第一硅层、第二硅层、第三硅层、二氧化硅层和第四硅层的厚度分别为35纳米、15纳米、35纳米、35纳米和15纳米。
5、优选的，所述的多层膜热发射器品质系数达到0.8534，品质系数定义如下：
6、
7、ebλ为黑体辐射强度，ελ指在波长λ下的发射率，λ0和λ2为优化过程中最小和最大的波长，λ0为0.2微米，λ2为6微米，λpv为锑化镓电池的带隙波长。
8、优选的，所述的多层膜热发射器在温度为3000k时，系统效率为42.56％，系统效率定义如下：
9、
10、ebλ为黑体辐射强度,λg为带隙波长，ελ指在波长λ下的发射率。
11、优选的，所述的多层膜热发射器结合了传输矩阵法与模拟退火算法，计算方法如下：定义目标函数根据材料的折射率和光学特性，以及相关的控制条件，选择初始材料为钨，并以此为基底，设x0＝n0,其中n0是钨的折射率,根据x0的初始值计算相应的f0，然后改变材料的排列顺序，计算两个结果之间的差值，并根据如下公式确定是否接受新解继续更改t，在此过程中，参数t的更改在此过程中即为改变每层金属的厚度，首先将总厚度设定一个最大值，并逐渐减小总厚度，总厚度由公式中参数d的变化表示，找到具有较低值的新解时，选择并继续添加扰动，此过程以迭代方式重复，最终优化出该结构。
12、优选的，所述的多层膜热发射器主要匹配锑化镓光伏电池，还可以应用于热光伏系统。
13、与现有技术相比，本专利技术的有益效果是：
14、本专利技术基于传输矩阵法和模拟退火算法优化后的选择性多层膜热发射器结构相对简单且容易制备，可改善现有的热光伏系统效率不高的局限性，增加热能和太阳能的利用度，通过对硅，钨，二氧化硅三种材料排列及厚度的组合优化，可以更好地解决热发射器品质系数较低和系统效率较低的问题，实现更高效的光电转换效率，与现有的选择性多层膜热发射器不同，该结构的品质系数高达0.8534，且当温度为3000k时，系统效率达到42.56％。
本文档来自技高网...【技术保护点】
1.基于机器学习优化的多层膜热发射器结构，其特征在于：包括多层膜热发射器，所述多层膜热发射器由第一钨层、第一硅层、第二钨层、第二硅层、第三钨层、第三硅层、二氧化硅层和第四硅层组成，所述第一钨层、第一硅层、第二钨层、第二硅层、第三钨层、第三硅层、二氧化硅层和第四硅层自下而上依次设置。
2.根据权利要求1所述的基于机器学习优化的多层膜热发射器结构，其特征在于：所述第一钨层、第二钨层和第三钨层的厚度分别为105纳米、24纳米和15纳米，所述第一硅层、第二硅层、第三硅层、二氧化硅层和第四硅层的厚度分别为35纳米、15纳米、35纳米、35纳米和15纳米。
3.根据权利要求1所述的基于机器学习优化的多层膜热发射器结构，其特征在于：所述的多层膜热发射器品质系数达到0.8534，品质系数定义如下：
4.根据权利要求1所述的基于机器学习优化的多层膜热发射器结构，其特征在于：所述的多层膜热发射器在温度为3000K时，系统效率为42.56％，系统效率定义如下：
5.根据权利要求1所述的基于机器学习优化的多层膜热发射器结构，其特征在于：所述的多层膜热发射器
6.根据权利要求1所述的基于机器学习优化的多层膜热发射器结构，其特征在于：所述的多层膜热发射器主要匹配锑化镓光伏电池，还可以应用于热光伏系统。
...【技术特征摘要】
1.基于机器学习优化的多层膜热发射器结构，其特征在于：包括多层膜热发射器，所述多层膜热发射器由第一钨层、第一硅层、第二钨层、第二硅层、第三钨层、第三硅层、二氧化硅层和第四硅层组成，所述第一钨层、第一硅层、第二钨层、第二硅层、第三钨层、第三硅层、二氧化硅层和第四硅层自下而上依次设置。
2.根据权利要求1所述的基于机器学习优化的多层膜热发射器结构，其特征在于：所述第一钨层、第二钨层和第三钨层的厚度分别为105纳米、24纳米和15纳米，所述第一硅层、第二硅层、第三硅层、二氧化硅层和第四硅层的厚度分别为35纳米、15纳米、35纳米、35纳米和15纳米。
3.根据权利要求1所述的基于机器学习优化的多层膜热发射器结构，其特征在于：所述的多层膜热发射器品质系数达到0.8534，品质系数定义如下：
4.根据权利要求1所述的基于机器学习优化的多层膜热发射器结构，其特征在于：所述的多层膜热发射器在温度为30...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。