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（LHTES）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（LHTES）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（CFD）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（Hanbat National University）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。

图片来源：韩巴特国立大学

“潜热储能系统利用一种特殊的蜡状材料，称为相变材料。这种材料熔化时会吸收大量热量，冷却凝固时又会释放热量，就像一个储热电池，”Moon解释道。“使用传统的计算机仿真来测试每一种新设计既缓慢又耗费计算资源。在我们的PINN框架中，我们教会AI模型物理定律，使其能够准确地重现系统的行为，并快速探索数万种可能的设计方案。”

从稀疏数据到数字孪生

为了开发数据驱动的PINN模型，研究人员首先创建了一个高保真度的真实数据集，该数据集能够捕捉LHTES系统的物理特性。为此，他们开发了一个实验室规模的LHTES实验装置以及相应的CFD模型。随后，他们利用实验测量数据验证了CFD仿真结果，结果表明两者吻合度极高，偏差极小。验证完成后，研究人员利用该CFD模型生成了一个包含15个高保真度模拟的稀疏数据集，作为PINN的训练数据。

所提出的PINN框架采用零维物理模型，并将系统的控制物理方程直接嵌入为损失函数。其关键创新之处在于，PINN能够学习特定案例的有效传热系数，同时通过响应面模型捕捉几何效应。

通过专注于发现能量守恒规律，PINN即使在稀疏数据上训练也能避免过拟合。响应面模型(RSM)则使该框架能够在优化过程中预测任意未知几何形状和流动条件下的传热特性。PINN和RSM共同构建了LHTES系统的快速数字孪生模型。

随后，该数字孪生模型与非支配排序遗传算法II (NSGA-II)相结合，以执行多目标设计优化。该优化同时寻找能够最大化总放热量和平均放热量，并最小化泵送功率的设计方案。

扁平管道更受青睐

在数值实验中，PINN以极高的精度重现了CFD仿真预测的行为，同时实现了快速、自主的设计优化。使用多目标设计优化流程获得的最优设计与性能最佳的基准设计性能相近，同时显著降低了泵送功率。此外，结果表明扁平管道更具优势。

除了建筑领域，这种基于物理原理的设计方法还有助于改善电动汽车电池、数据中心、冷链物流和太阳能热系统的热管理。早期研究也表明，更智能地控制潜热存储可以将电力成本降低70%以上，这表明该技术在减少能源消耗和排放方面具有更广泛的潜力。

Moon总结道：“我们的方法将LHTES设计流程从对离散案例的手动评估转变为对整个设计空间的自主探索。它为工程师提供了一个实用的工具，用于开发更高效的热能存储系统，有助于降低建筑物的能源消耗和碳足迹，同时支持更可持续的能源未来。”