一种用于主动磁回热器集成设计的多模态机器学习方法，协同多层材料布局与热流体传递特性

《Materials & Design》：A multimodal machine learning approach for the integrated design of active magnetic regenerators with coordinated multilayer material layout and thermo-fluidic transfer characteristics

　　

引入了一种多模态机器学习（ML）框架，用于整体主动磁回热器设计。该模型能够全面处理磁热（MC）特征、多层布局和运行条件。在针对训练过的四层La(Fe,Si)₁₃床优化条件下，在0.8?T下实现了16.9?°C的大温度跨度（T_span）。通过基于ML的虚拟材料选择对未训练布局进行预测优化，在0.8?T下获得了17.1?°C的温度跨度。

### 论文解读：多模态机器学习在主动磁回热器设计中的应用

**研究背景与问题**
全球可持续社会的发展推动淘汰有害氟利昂（CFC、HCFC、HFC），自然制冷剂虽被广泛采用，但其易燃或高压特性带来技术挑战，传统蒸气压缩制冷系统无法简单替换气体而不改变机制。固态制冷技术，特别是磁制冷，凭借主动磁回热（AMR）热力学循环成为可行方案。钆（Gd）及其合金为室温磁制冷主流材料，但为提升冷却能力，需采用基于一阶相变（FOPT）的巨磁热材料（MCM），如La(Fe,Si)₁₃基材料。然而，FOPT仅在居里温度（T_C）附近窄温区内有效，导致温度跨度受限。多层级联布局通过使用不同T_C的材料扩展工作温度范围，但优化材料选择与布局以同时扩大温度跨度（T_span）并维持冷却能力并不直接。此外，AMR循环中FOPT动力学与热流体传输相互耦合，静态固定磁热效应（MCE）曲线的分析无法准确描述动态关系，而二维或三维模拟计算成本极高。因此，研究人员引入机器学习（ML）方法以克服这些挑战，旨在实现多物理场耦合下的高效预测与优化。

**研究内容与结论**
研究人员开发了一种多模态ML框架，将非离散的FOPT热特征与热流体传输及环境变量结合，并抑制数据维度。通过使用七种商业(La,R)(Fe,Mn,Si)₁₃H_y（R=轻稀土）材料，构建四层床布局，收集不同操作参数（循环频率?、流体流量V_f）和环境条件（环境温度T_rt、热负载P_n）下的T_span数据。利用均匀流形逼近与投影（UMAP）对差示扫描量热法（DSC）曲线进行非线性降维，提取特征向量作为标签，训练高斯过程回归（GPR）模型。模型预测优化了训练布局的操作参数，实现了0.8?T下16.9?°C的T_span，并通过虚拟材料组合预测未训练布局，实验验证获得17.1?°C的T_span。该研究证明了多模态ML方法在优化操作参数和预测高效床布局方面的有效性，为磁制冷系统设计提供了新途径。论文发表在《Materials》。

**关键技术方法**
（不超过250字）
研究人员采用以下主要技术方法：
1. **差示扫描量热法（DSC）**：测量材料在T_C附近的潜热变化，获取FOPT热特征曲线。
2. **均匀流形逼近与投影（UMAP）**：对DSC曲线进行非线性降维，将高维轮廓映射至二维空间，提取反映磁热（MC）特征的整体特征向量。
3. **高斯过程回归（GPR）**：以UMAP向量为标签，结合操作参数（?、R_f）和环境条件（T_rt、P_n）构建训练数据集，训练回归模型预测T_span。
4. **AMR模块测试**：使用自行搭建的AMR模块，通过U形磁路提供0.8?T磁场，柱塞式位移器驱动水循环，收集不同布局下的T_span数据。
样本来源：七种商业材料购自信越化学（Shin-Etsu Co., Ltd.），包括PRT19P、PRT21P、PRT23P、PRT25P、PRT25A、PRT27、PRT31。

**研究结果**
**数据收集与实验设计**
研究人员通过替换四层床布局（如表1所示，包括A组和B组）收集数据，避免材料选择偏向。A组改变内层之一，B组改变第三层，并包含不同重量配置（B-2、B-3、B-4）。实验发现，T_span随?和R_f的变化曲线对材料组合及环境条件高度敏感，最优条件在?-R_f平面内狭窄区域存在。例如，A1布局（各层T_C均匀间隔）的T_span最大值低于A2布局（非均匀间隔），且A1在热负载下T_span下降更快。

**非线性降维与特征提取**
传统方法（如主成分分析PCA）无法有效压缩DSC曲线，因PCA提取的相似性基于单一轮廓。研究人员采用UMAP和t-分布随机邻域嵌入（t-SNE）进行非线性降维，将DSC曲线投影至二维平面。结果显示，UMAP和t-SNE均能均匀分散数据点，反映不同材料特征，且PRT25A的重量变化（0.5x、1.5x）与成分变化同样被区分。由于UMAP支持新数据添加，最终选用UMAP向量作为后续分析标签。

**回归模型构建与特征重要性**
以UMAP向量为标签，将T_span随?和R_f的变化数据分类，并加入T_rt和P_n作为辅助注释。比较多种回归模型，发现Matérn核（rank 3/2）的高斯过程回归（GPR）在测试集上获得最高决定系数R²=0.989。特征重要性分析显示，T_rt对回归影响最大，反映FOPT材料对温度漂移的敏感性；UMAP4（最高T_C层）和UMAP1（最低T_C层）的重要性高于UMAP3（中间层），表明两端层对T_span变化更主导；R_f的影响远大于?，表明流体流量对热传递性能起关键作用。

**操作参数优化与实验验证**
利用训练好的GPR模型，对所有训练布局（A1、A2、B1-B4）在?、R_f、P_n的离散网格内搜索最大化T_span的条件。预测结果显示，A2布局在?=1.4 Hz、R_f=0.47 cm、P_n=0时T_span可达13.3 °C，超过δT_bed（12 °C）。实验验证在A2布局下，?=1.4 Hz、R_f=0.47 cm、T_rt≈25 °C时，实际T_span达到16.9 °C，高于预测值，且优于训练数据中的任何观测值。在不同T_rt和P_n条件下的对比显示，预测值与实验值在P_n接近0.1 W时吻合较好，但低P_n时存在偏差，因训练数据仅包含P_n=0和0.1 W两个点。

**虚拟布局预测与验证**
对未包含在训练数据中的布局（V1-V4），通过组合不同UMAP向量生成虚拟床布局，并预测T_span。实验验证了V1（PRT19P-21P-25P-31）和V3（PRT19P-23P-25A-31）的预测结果：V1在?=1.4 Hz、R_f=0.47 cm时实测T_span为13.7 °C，略高于预测值11.5 °C；通过微调操作条件，最终获得17.1 °C的T_span，为所有实验中的最大值。V3的实测T_span为11.2 °C，高于预测值8.3 °C。这表明ML模型能有效指导未训练布局的优化，且打破传统均匀排列的启发式规则。

**总结与讨论**
传统床布局设计常强调均匀性（如T_C等间距），但本研究发现，非均匀排列（如A2、V1）反而能获得更高T_span。原因在于AMR循环中热梯度并非线性，各层热力学循环在T-S图上动态调整，均匀布局可能导致层间适应不良。ML模型通过捕捉非线性特征，避免了预设假设，发现非均匀布局的潜特征表现更优。此外，对UMAP向量中心距和离散度的分析显示与T_span存在弱相关，但统计可靠性有限，未来需进一步验证。

**研究结论**
（翻译自原文结论）
本研究提供了一种基于多模态ML的方法，用于分析和预测基于La(Fe,Si)₁₃四层床的AMR模块性能。通过UMAP将DSC曲线投影至二维空间，提取磁热特征的整体信息并组合。以UMAP向量为标签，测量不同T_rt和P_n下T_span随?和R_f的变化，构建训练数据，并加入T_rt和P_n作为辅助注释。采用高斯过程回归训练预测模型。尽管预测值与实验值略有偏差，但针对训练布局优化的操作条件使T_span达到16.9 °C（0.8 T），该值在训练数据网格采样时未被发现。此外，通过UMAP向量组合生成的虚拟布局预测，实验验证在独特布局下获得17.1 °C的T_span，打破了启发式材料选择方法。结果表明，基于UMAP降维特征的ML方法在优化操作参数和预测更优床布局方面高度有效。未来，该方法可直接应用于微通道设计，只需将微通道几何特征压缩后附加至原始训练数据。