基于纳米流体光伏/光热(PV/T)系统的深度神经网络(DNN)-遗传算法(GA)预测-优化机器学习框架

《Nanomaterials》：A Novel Prediction-Optimization Machine Learning Framework for Nanofluid-Based Photovoltaic/Thermal Systems

　　

基于纳米粒子悬浮液（纳米流体，nanofluid）的光谱过滤是一种通过利用全太阳光谱来提升光伏/光热（Photovoltaic/Thermal，PV/T）系统性能的有效途径。然而，由于纳米流体参数与整体性能之间存在复杂的非线性关系，系统优化仍具挑战性。研究人员开发了一种将深度神经网络（Deep Neural Network，DNN）与遗传算法（Genetic Algorithm，GA）相集成的预测-优化框架，以准确分析多参数交互作用并为纳米流体基PV/T系统实现全局最优设计。研究人员采用结合洛伦兹-米氏（Lorentz–Mie）理论、蒙特卡洛（Monte Carlo）模拟及光-电-热耦合模型的理论计算，构建了三种纳米流体（Ag、Au、Al）的高通量数据集。采用三种机器学习模型——DNN、随机森林（Random Forest，RF）和决策树（Decision Tree，DT）——预测PV/T关键性能参数。通过将机器学习与GA协同，建立了闭环预测-优化流程以高效识别最优设计参数。所评估模型中，DNN表现最优，对三个关键性能指标（ηpv、ηth及MF）的预测精度均高于99.48%，显著优于RF和DT模型。此外，研究人员进行了SHAP（Shapley Additive exPlanations）分析以量化各输入特征的贡献并增强模型可解释性。结合GA，DNN-GA框架成功识别出每种纳米流体的全局最优设计参数。例如，对于Ag纳米流体，最优组合（r = 4.02 nm，h = 9.91 mm，fv= 9.45×10?5）获得了最大MF值1.3603。本研究提出了一种用于设计PV/T系统纳米流体滤波器的创新性机器学习框架，减少了对迭代实验的依赖并加速高性能太阳能系统开发，具备实用价值。

《Nanomaterials》刊载论文解读：纳米流体基PV/T系统的DNN-GA预测-优化机器学习框架研究

一、研究背景与意义

常规光伏（Photovoltaic，PV）系统仅能高效利用太阳光谱中特定波段光子转换为电能，其余波段辐射转化为热量导致电池温升并降低光电转换效率，限制了太阳能综合利用率。光伏/光热（PV/T）混合系统通过在PV组件前集成纳米流体（nanofluid）光谱分束滤光层，利用金属纳米粒子的局域表面等离激元共振（Localized Surface Plasmon Resonance，LSPR）特性实现对硅电池响应波段（700–1100 nm）的高透过率及对非响应波段的吸收产热，从而同步产出电能与热能。然而，纳米流体的纳米粒子半径（r）、体积分数（f_v）及流体层厚度（h）与系统光电效率（η_pv）、热效率（η_th）及综合优值函数（Merit Function，MF）之间存在强非线性耦合关系。传统实验试错法耗时耗材，数值模拟常含简化假设且难以全面捕捉多物理场交互，已有优化研究多限于参数扫描而未系统遍历全参数组合，难以保证全局最优。为此，研究人员提出并验证了一种融合深度神经网络（Deep Neural Network，DNN）与遗传算法（Genetic Algorithm，GA）的闭环"预测-优化"数据驱动框架，以高效获得纳米流体PV/T系统全局最优几何参数组合，论文发表于《Nanomaterials》。

二、主要关键技术方法

研究人员首先基于洛伦兹-米氏（Lorentz–Mie）理论计算单球形纳米粒子的消光、散射截面及相函数，结合修正版多层蒙特卡洛辐射传输（Monte Carlo for Multi-Layered media，MCML）程序求解辐射传递方程（Radiative Transfer Equation，RTE），获取不同r、h、f_v组合下的纳米流体光谱透射率T(λ)与吸收率A(λ)；将其代入光-电-热耦合数学模型——电学部分依据AM1.5D太阳辐照谱G(λ)与硅电池光谱响应SR(λ)计算短路电流密度J_sc、暗饱和电流J₀、开路电压V_oc及填充因子FF得η_pv，热学部分依吸收能与集热器效率η_collector=0.67得η_th，并以MF=η_{pv,unfiltered}+w×(η_th?η_{th,unfiltered})（w=3，η_{pv,unfiltered}=15.89%）评价综合性能——生成Ag、Au、Al三种纳米流体各7400组样本的数据集（训练∶验证∶测试=8∶1∶1）。随后分别训练DNN（8隐层全连接，每层2000神经元，ReLU激活，Adam优化器，MSE损失，3000 epoch）、随机森林（Random Forest，RF）与决策树（Decision Tree，DT）回归模型预测η_pv、η_th、MF；经指标对比选定DNN作为适应度函数嵌入GA（种群30，最大迭代200，变异因子0.8，交叉概率0.5，辅以L-BFGS-B局部精修，10次不同随机种子取最优），开展三维参数空间全局寻优；并对最优DNN做SHAP（Shapley Additive exPlanations）分析解释特征贡献与交互。

三、研究结果

3.1 模型验证（Model Validation）

通过对比Han等人实验中Ag-水纳米流体（粒径49.9 nm，光程1 cm，质量分数31.8 ppm与5.3 ppm）的透射率光谱及同条件下的PV/T系统η_pv、η_th仿真值，理论计算曲线与实验测量吻合良好，η_pv与η_th最大相对误差均低于10%且趋势一致，证实所建光-电-热耦合模型可靠性满足后续机器学习训练需求。

3.2 纳米流体PV/T系统性能分析（Performance Analysis of Nanofluid-Based PV/T Systems）

• •
  几何参数对纳米流体光谱透射率的影响：固定低f_v（10^?5）改变h与r，及固定h（10 mm）改变f_v与r的仿真表明，在硅电池关键响应波段（700–1100 nm）透射率随h与f_v增大总体下降，r与透射率呈高度非线性关系（Ag在r≈37.5 nm时该波段透射最高，r≈27.5 nm时最低），证实参数间复杂耦合需系统优化。
• •
  几何参数对纳米流体光谱吸收率的影响：纳米粒子LSPR致300–500 nm出现材料特异性吸收峰，h增大主要强化500–1000 nm吸收，f_v升高使500–1250 nm吸收整体上升。理想设计需在700–1100 nm维持高透射同时最大化非响应波段吸收。
• •
  几何参数对性能输出（η_pv、η_th、MF）的影响：η_pv与η_th随参数变化呈相反趋势（Ag二者Pearson相关系数为?0.915），MF高值区分布于r=2.5–25 nm及45–50 nm附近与h≈10 mm带状区域，说明需权衡电-热效率以获全局最优MF。

3.3 基于机器学习与GA的性能预测与优化（Performance Prediction and Optimization Using Machine Learning and GA）

• •
  机器学习性能预测：DNN、RF、DT三模型比较显示，DNN对Ag/Au/Al纳米流体三项输出指标的测试集决定系数R²≥0.9864，均方误差MSE低至1.37×10^?4，预测精度＞99.48%，显著优于RF与DT；RF次之，DT泛化最差。训练完成后DNN单次预测耗时＜10 ms，相较传统物理仿真大幅降低计算成本。
• •
  关键参数关联分析（SHAP分析）：对Ag纳米流体训练后DNN做SHAP分析，纳米流体层厚度h平均绝对SHAP值最高（占总重要性44.9%），为主要影响因子，其次为η_pv（21.5%）、η_th（13.5%）、粒子半径r（12.7%）及体积分数f_v（7.6%）；r对MF的贡献呈非单调关系，且与f_v、h存在明显交互效应。
• •
  遗传算法多参数优化：以DNN为适应度函数运行GA寻优，得到三种纳米流体全局最优参数及对应性能——Ag：r=4.02 nm，h=9.91 mm，f_v=9.45×10^?5，η_pv=4.53%，η_th=51.26%，MF=1.3603；Au：r=2.63 nm，h=10.04 mm，f_v=9.67×10^?5，η_pv=4.22%，η_th=50.08%，MF=1.3190；Al：r=3.91 nm，h=9.86 mm，f_v=9.72×10^?5，η_pv=2.57%，η_th=52.93%，MF=1.2978。光谱分析显示最优Ag纳米流体在700–1100 nm维持高透射并在300–500 nm与1300–2500 nm有效吸收，实现电-热最佳平衡。

四、讨论与结论翻译

研究人员指出，本工作创新性地建立了融合高通量物理建模与机器学习驱动优化的稳健智能设计范式，大幅降低纳米流体PV/T系统设计对反复实验的依赖并加速高性能太阳能收集系统工程化。需注意本研究假定纳米粒子在基液中稳定分散，实际应用中Ag、Au、Al纳米粒子可能发生团聚改变有效尺寸与局域体积分数从而影响光学性能，未来拟通过表面功能化或超声处理稳定分散并将老化效应纳入机器学习框架扩展，该框架亦可作为可再生能应用领域中材料筛选与系统设计的通用工具。

论文结论归纳如下：

(1) 通过整合Lorentz–Mie理论、Monte Carlo辐射传输模拟及光-电-热耦合模型的高通量理论计算构建了可靠全面数据集，模型验证最大相对误差＜10%，为机器学习奠定坚实基础。

(2) 三种机器学习架构对比证实DNN预测能力最优，对三种纳米流体所有关键性能指标预测精度＞99.48%，显著优于RF与DT；引入SHAP分析量化特征贡献并揭示几何参数间非线性交互，增强框架透明度。

(3) 将高精度DNN预测器与GA优化器协同集成形成闭环预测-优化框架，可高效遍历复杂多维参数空间，大幅削减传统试错实验依赖并加速全局最优设计配置发现。

(4) DNN-GA框架识别出Ag、Au、Al纳米流体各自全局最优MF值（分别为1.3603、1.3190、1.2978）及对应几何参数组合，证明框架精确锁定全局极值的能力，为不同纳米流体发挥特有等离激元特性实现PV/T系统最大潜能提供具体设计依据。