基于XGBoost–ANN代理模型的分段式N型热电臂面积比与材料占比协同优化

《Results in Engineering》:Co-Optimization of Area Ratio and Material Fraction in Segmented N-Type Thermoelectric Legs Using XGBoost–ANN Surrogates

【字体: 大 中 小 】 时间:2026年03月14日 来源:Results in Engineering 9.4

编辑推荐:

  航天器在轨运行期间,其电源、热控及推进等子系统产生大量废热。热电发电器(Thermoelectric Generator, TEG)可将此类废热直接转化为电能,具备固态化、高可靠性及免维护等优势,是航天器在轨供电的重要技术途径。然而,传统热电技术在大温差条件下

  
航天器在轨运行期间,其电源、热控及推进等子系统产生大量废热。热电发电器(Thermoelectric Generator, TEG)可将此类废热直接转化为电能,具备固态化、高可靠性及免维护等优势,是航天器在轨供电的重要技术途径。然而,传统热电技术在大温差条件下的能量转换效率与长期稳定性仍面临显著制约。本研究提出一种优化的分段式N型热电臂结构,通过联合调控截面几何构型与材料分布,强化载流子输运并同步提升转换效率与输出功率。研究人员基于COMSOL平台开展全面多物理场仿真,系统评估截面面积比与材料占比对器件性能的影响。优化后的分段式结构相较传统设计,输出功率提升9.91%,热电转换效率提高8.69%。此外,本研究构建极端梯度提升(XGBoost)与人工神经网络(ANN)模型以预测热电性能。XGBoost有效捕捉输入参数与输出指标间的非线性关联,预测误差低至0.42%与0.51%;ANN在多输出建模中表现优异,决定系数(R2)分别达0.9577与0.9603。上述结果表明,分段式结构优化与代理模型建模相结合可显著增强热电能量转换,该集成策略为先进航天系统的高效在轨能量管理提供了实用路径。
**一、研究背景与研究动因**

热电发电器(TEG)作为固态能量转换器件,可将温度梯度直接转化为电能,具备无运动部件、高可靠性及强环境适应性等突出优势,在航天领域具有重要应用价值。然而,热电性能的无量纲优值(ZT)强烈依赖于温度,单一热电材料难以在宽温域内保持高性能,导致器件在大温差条件下效率与输出功率显著下降。这一局限在广泛应用的一碲化铋(Bi?Te?)基系统中尤为突出:P型材料通常可实现较高ZT,而N型材料性能相对滞后,这种不对称性严重制约了高性能热电且对(thermoelectric couple)的制备。分段式热电发电器(Segmented Thermoelectric Generator, STEG)通过整合针对不同温度区间优化的材料,可实现宽温度梯度的更有效利用,从而提升器件整体性能。尽管近年涌现大量高ZT材料,但基于这些材料组装的器件在宽温差下的性能仍受根本限制。既有研究多集中于材料级优化或孤立几何参数探讨,对分段式结构中的关键协同设计因素——包括材料占比、截面面积匹配及几何-材料耦合效应——探索明显不足。因此,建立系统性的分段式热电设计规则,实现几何与材料参数的协同优化,成为亟待解决的核心问题。

**二、研究开展、结论与意义**

本研究由河北科技大学机械工程学院Qingsong Song、Guangyu Wang等研究人员完成,发表于《Results in Engineering》。研究针对分段式热电发电器,提出XGBoost–ANN代理模型框架,实现N型热电臂的两段式材料选择与结构协同优化。通过联合调控P-N截面面积比与N型腿中SKT材料占比,揭示了几何-材料耦合对载流子输运的强化机制。优化设计(面积比=1.16,SKT占比=40%)使输出功率和转换效率分别提升9.91%和8.69%。XGBoost模型实现了高精度的单输出预测与特征可解释性分析,ANN模型则展现了良好的多输出预测能力。该研究为航天器高效在轨能量管理提供了实用路径,证实了数据驱动方法在热电器件多参数协同优化中的有效性。

**三、关键技术方法**

本研究采用COMSOL Multiphysics 6.3平台构建STEG多物理场数值模型,求解热电耦合控制方程(包含热流密度方程、电流密度方程及能量与电荷守恒方程),通过网格独立性验证确保计算精度。模型中P型腿固定为Bi?Te?,N型腿采用Bi?Te?/SKT两段式堆叠结构,热端温度变化、冷端固定298 K。研究共生成108组仿真样本,涵盖面积比(1.0–1.37)及SKT材料占比(10%–90%)等参数变化。基于该数据集,分别构建XGBoost梯度提升模型(100棵决策树,最大深度6,学习率0.3)与三层多层感知器ANN模型(256–128–64神经元结构,输出层线性激活, dropout率0.4,Adam优化器,早停策略),训练集与测试集按80%:20%划分,以R2为主评估指标,结合残差核密度估计分析模型性能。

**四、研究结果**

**温度相关输运特性对分段式STEG性能的影响**:基于多项式拟合的温度依赖输运特性(Seebeck系数S、电导率σ、热导率κ),计算得到三种材料在不同温区的性能演变规律。Bi?Te?在200–600 K低温区具有较高且稳定的Seebeck系数和低电阻率,适于低温能量转换;但其热导率在500 K以上显著上升,高温性能受限。N-SKT的Seebeck系数、电阻率及热导率在宽温域内保持高度稳定,适合作为高温段材料。这些温度依赖特性为分段式材料匹配提供了物理基础。

**STEG截面面积比与材料占比的影响**:固定P型腿截面面积,将N型腿面积从1.69 mm2增至2.31 mm2(面积比1.0→1.37),SKT占比从10%梯度增至90%。温度场与电势分布仿真显示,增大N型腿面积使温度分布更趋均匀,有效热交换面积扩大,有利于提升输出电流;但过大面积会增加热导,降低温差从而削弱转换效率。输出功率与转换效率的耦合优化结果表明,SKT占比40%、面积比1.16时达到全局最优:最大输出功率0.90952 mW(相对提升9.91%),最大转换效率13.64%(相对提升8.69%)。最优条件下的温度场与电势分布证实,适度的SKT比例优化了热流分布并促进均匀热扩散。该最优设计经与文献代表性结果及理论分段极限的基准对比验证,在 investigate 温度范围内均表现更优,同时表明材料与界面工程仍存在改进空间。

**实验验证**:采用文献[48]中16组独立实验数据进行模型验证,涉及Bi?.?Sb?.?Te?/HMS(P型)与Bi?Te?/Bi掺杂Mg?Si(N型)分段模块,热端793 K/冷端295 K、电流0–5.5 mA工况。模拟与实验结果的最大偏差不超过5%,平均相对误差4.1%,确认了数值模型的可靠性。

**基于XGBoost模型的STEG性能优化**:XGBoost模型对输出功率的预测R2达0.9577,预测最大值0.91341 mW与仿真值误差仅0.42%;对转换效率预测R2为0.9603,误差0.51%。残差KDE图呈对称钟形分布,无系统性偏差,表明模型具有优异泛化能力。特征重要性分析识别出最大温度(296.0)、N型腿截面积(258.0)和SKT占比(254.0)为输出功率的主导因素;对效率预测,N型腿截面积、最大温度和SKT占比同样最为关键。分析表明约40%的SKT占比存在优化阈值,超过该阈值性能可能饱和或退化,且参数间存在显著交互效应。

**人工神经网络优化**:ANN模型在300 epoch内结合早停策略完成训练,训练与验证损失曲线稳定收敛。输出功率预测R2=0.9539,转换效率R2=0.9598,预测值紧密聚集于理想预测线附近,表明ANN可有效捕捉数据内在规律,支持高维设计空间中的快速多输出预测。

**五、讨论总结与研究结论**

本研究建立了物理信息融合机器学习的优化框架,系统阐明了温度依赖材料特性、截面面积比及材料占比对STEG性能的调控规律。核心结论包括:(1)构建的XGBoost–ANN代理模型框架可有效捕获面积比、材料占比与输出性能间的强耦合非线性关系;(2)N型腿截面面积比与SKT占比的联合优化实现了载涕匹配,最优设计(面积比1.16,SKT占比40%)使输出功率和转换效率分别提升9.91%和8.69%;(3)XGBoost以0.42%–0.51%的极低预测误差实现高精度预测与可解释性分析,识别出最大温度、N型腿截面积和SKT占比为主导因素;(4)ANN展现出稳健的多输出建模能力,R2分别达0.9539和0.9598,支持高维空间快速多参数优化。工程层面,非单位面积比的实现虽增加制造复杂度,但可通过溅射图案化电极、适当键合工艺及扩散阻挡层等成熟薄膜技术解决;热机械应力分
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号