Reducción de Facturas de Energía: Materiales Creados por IA para Enfriar Ciudades y Naves Espaciales
por Universidad de Texas en Austin
Investigadores de la Universidad de Texas en Austin, la Universidad Jiao Tong de Shanghai, la Universidad Nacional de Singapur y la Universidad de Umeå en Suecia han desarrollado un nuevo enfoque basado en machine learning para crear meta-emisores térmicos complejos y tridimensionales. El estudio ha sido publicado en la revista Nature.
Utilizando este sistema, los investigadores desarrollaron más de 1,500 materiales diferentes que pueden emitir calor selectivamente a varios niveles y de diferentes maneras, lo que los hace ideales para la eficiencia energética a través de un enfriamiento y calentamiento más precisos.
“Nuestro marco de machine learning representa un avance significativo en el diseño de meta-emisores térmicos”, dijo Yuebing Zheng, profesor en la Escuela de Ingeniería Cockrell y co-líder del estudio.
"Al automatizar el proceso y expandir el espacio de diseño, podemos crear materiales con un rendimiento superior que anteriormente eran inimaginables."
Para verificar sus diseños, los investigadores fabricaron cuatro materiales. Aplicaron uno de los materiales a un modelo de casa y compararon su efecto de enfriamiento con pinturas comerciales.
Después de una exposición de cuatro horas al sol directo, el techo recubierto con el meta-emisor resultó estar entre 5 y 20 grados Celsius más fresco, en promedio, que aquellos con pinturas blancas y grises, respectivamente.
Los investigadores estimaron que este nivel de enfriamiento podría ahorrar el equivalente a 15,800 kilovatios por año en un edificio de apartamentos en un clima caluroso como el de Río de Janeiro o Bangkok. Un aire acondicionado típico utiliza aproximadamente 1,500 kilovatios anuales.
Sin embargo, las aplicaciones van más allá de mejorar la eficiencia energética en hogares y oficinas. Usando el marco de machine learning, los investigadores desarrollaron siete clases de meta-emisores, cada uno con diferentes fortalezas y aplicaciones.
Los meta-emisores térmicos podrían desplegarse para ayudar a reducir la temperatura en áreas urbanas al reflejar la luz solar y emitir calor en longitudes de onda específicas. Esto mitigaría el efecto de isla de calor urbano, donde las grandes ciudades tienen temperaturas más altas que las áreas circundantes debido a la falta de vegetación y altos niveles de concreto.
Además, los meta-emisores térmicos podrían ser útiles en el espacio para gestionar la temperatura de las naves espaciales al reflejar la radiación solar y emitir calor de manera eficiente.
Más allá de las aplicaciones en esta investigación, los meta-emisores térmicos podrían convertirse en parte de muchas cosas que usamos a diario. Integrarlos en textiles y telas podría mejorar la tecnología de enfriamiento en ropa y equipos al aire libre. Recubrir automóviles con ellos e incorporarlos en materiales interiores podría reducir el calor que se acumula cuando están a la intemperie.
El laborioso proceso tradicional de diseñar estos materiales ha limitado su adopción general. Otras opciones automatizadas luchan por lidiar con la complejidad en la estructura jerárquica tridimensional de los meta-emisores, limitando los resultados a geometrías simples como pilas de películas delgadas o patrones planos, con el rendimiento quedándose corto en algunas medidas.
“Tradicionalmente, diseñar estos materiales ha sido lento y laborioso, confiando en métodos de prueba y error”, comentó Zheng. “Este enfoque a menudo conduce a diseños subóptimos y limita la capacidad de crear materiales con las propiedades necesarias para ser efectivos.”
Los investigadores seguirán refinando esta tecnología y aplicándola a más aspectos de su campo de nanofotónica: la interacción de la luz y la materia a escalas muy pequeñas.
“El machine learning puede no ser la solución a todo, pero los requisitos espectrales únicos de la gestión térmica lo hacen particularmente adecuado para diseñar emisores térmicos de alto rendimiento”, dijo Kan Yao, coautor del trabajo y becario de investigación en el grupo de Zheng.
Si te interesa este tipo de contenido especializado, ¡suscríbete a nuestro newsletter! Para más información, visita nuestro sitio web.
Comments ()