机器学习辅助设计高近红外屏蔽性能的节能窗：基于CWO/ITO纳米复合薄膜的双向神经网络优化

针对节能窗光学性能设计计算成本高、参数优化耗时的问题，研究人员通过结合机器学习与辐射传输计算，开发了双向深度神经网络模型，实现了可见光透射率（Tlum ）、近红外透射率（TNIR ）等光学参数的正向预测（准确率>99%）及纳米颗粒几何参数的逆向设计（准确率>93%），为节能窗的高效定制化开发提供了新范式。

　　

随着全球建筑能耗占比持续攀升，节能窗作为建筑围护结构中潜力最大的节能组件，其光学性能优化成为研究热点。传统设计依赖反复试错的参数调整，例如通过改变银纳米棒长径比或氧化铯钨（CWO）浓度调控近红外（NIR）屏蔽率，但这类方法计算成本高昂且效率低下。更棘手的是，纳米颗粒的局部表面等离子体共振（LSPR）效应受形状、尺寸、材料等多参数耦合影响，形成复杂的多维设计空间。如何快速精准地实现“光学性能-几何参数”双向映射，成为推动节能窗商业化应用的卡脖子难题。

山东大学的研究团队在《Photonics and Nanostructures - Fundamentals and Applications》发表的研究中，创新性地将双向深度神经网络与辐射传输理论结合，构建了基于CWO/ITO纳米复合薄膜的智能设计系统。研究通过洛伦兹-米氏理论（Lorenz-Mie）和T矩阵法计算纳米颗粒辐射特性，结合蒙特卡洛模拟获取光谱数据，建立了包含17,500组几何参数（有效半径10–59 nm、体积分数0.1%–1.5%等）的数据库。开发的机器学习模型实现了光学评价参数（含太阳辐射透射率T_sol
和品质因数FOM）与纳米颗粒参数的自动化双向预测。

关键技术包括：1）基于LSPR原理的电磁散射计算（洛伦兹-米氏理论/T矩阵法）；2）辐射传输蒙特卡洛模拟；3）双向深度神经网络架构设计，解决逆向设计中的“一对多”问题；4）MATLAB后处理分析平台，集成光谱参数与光学评价指标。

【模型和几何参数】
通过构建CWO/ITO纳米颗粒-聚合物基体（PDMS/PMMA/SiO₂
）复合薄膜结构，系统分析了球形/圆柱形纳米颗粒的几何参数（如长径比AR=1–3）对LSPR效应的调控规律，为数据库建立提供理论基础。

【计算模型验证】
对比验证显示，洛伦兹-米氏理论与T矩阵法的辐射特性计算结果高度一致（误差<1%），证实了计算模型的可靠性。典型案例如0.7 wt% CWO/PNIPAM水凝胶体系，其NIR屏蔽率与实验数据吻合良好。

【结论】
该研究实现了两大突破：正向预测光学参数准确率超99%，逆向设计几何参数准确率达93%。特别针对商业应用场景，筛选出长径比AR=2.1、体积分数f_v
=0.8%的ITO纳米柱最优组合，其T_lum

80%同时T_NIR
<30%。

讨论部分强调，该方法首次将机器学习引入节能窗全流程设计，较传统方法效率提升两个数量级。Xie Yinmo团队指出，未来可扩展至动态响应型智能窗设计，但需解决贵金属纳米颗粒的成本约束问题。该成果为《建筑节能改造技术规范》的修订提供了数据支撑，被评价为“计算材料学与绿色建筑的交叉典范”。