盖世汽车讯随着气候变化日益加剧，全球建筑行业的脱碳已成为当务之急。建筑物的能源需求很大一部分来自供暖和制冷。因此，开发高效的热能存储系统是这项工作的关键所在。
在众多方案中，采用相变材料的潜热储能系统具有独特的优势。这些优势包括高能量存储...
盖世汽车讯 随着气候变化日益加剧，全球建筑行业的脱碳已成为当务之急。建筑物的能源需求很大一部分来自供暖和制冷。因此，开发高效的热能存储系统是这项工作的关键所在。
在众多方案中，采用相变材料的潜热储能系统具有独特的优势。这些优势包括高能量存储密度以及能够在近乎恒定的温度下释放大量热能，这对于稳定的热管理至关重要。事实上，一些研究表明，LHTES系统可以将供暖和制冷能耗降低高达45%。
仿真瓶颈阻碍设计
尽管具有这些优势，但对地下热能储存系统进行精确建模和优化仍然是一项重大挑战。其中涉及的耦合传热和流体流动过程难以精确模拟。虽然物理实验能够提供可靠的真实数据，但它们通常仅限于实验室规模的系统。
另一方面，计算流体动力学仿真可以捕捉不同尺度下的这些复杂物理过程。然而，CFD仿真计算成本高昂且耗时，使得大规模设计优化难以实现。
让AI掌握系统物理规律
据外媒报道，在一项新研究中，由韩国韩巴特国立大学建筑系统工程系助理教授Joo Hyun Moon领导的研究团队开发了一种混合物理信息神经网络(PINN)框架，用于优化潜热储能(LHTES)系统。该研究成果于2026年7月30日发表在期刊《储能杂志》(Journal of Energy Storage)上。
免责声明：该文章系本站转载，旨在为读者提供更多信息资讯。所涉内容不构成投资、消费建议，仅供读者参考。
中国文旅免责声明：本文内容来源于第三方或整理自互联网，本站仅提供展示，不拥有所有权，不代表本站观点立场，也不构成任何其他建议，对本文以及其中全部或者部分内容、文字的真实性、完整性、及时性不作任何保证或承诺，请读者仅作参考，并请自行核实相关内容,不承担相关法律责任。如发现本站文章、图片等内容有涉及版权/违法违规或其他不适合的内容， 请及时联系我们进行处理。
