喷砂表面发射率评估：基于物理引导神经网络解耦粗糙度与表面化学效应的方法

《International Journal of Thermal Sciences》：Emissivity assessment of sandblasted surfaces: Methodology for decoupling roughness and surface chemistry effects using Physics-guided Neural Networks

　　

研究人员提出了一种针对表面改性材料发射率的建模方法。基于PGNN衍生的解析模型可预测Al2O3对总发射率的贡献。喷砂引入的Al2O3颗粒驱动了35–50%的发射率增益。Spc与Sdr被识别为发射率预测中的主导粗糙度参数。该方法论面向制造表面在热辐射应用中的发射率控制需求，将形貌效应与近表面化学污染效应在光谱发射率估计中显式分离，为工业表面处理（如核反应堆、太阳能热系统、工业炉及红外隐身）提供可解释的预测框架。

研究背景与问题提出

在涉及热辐射的工程应用中，表面发射率（emissivity, ε）的控制具有决定性意义：高发射率有助于核反应堆、太阳能热系统与工业炉的散热与能效提升，而低发射率则是军事装备红外隐身的关键。发射率受波长、温度、视角及表面状态（特别是粗糙度与近表面化学改性）共同支配。 Kirchhoff 定律给出 ε=α，能量平衡满足 ε+ρ+τ=1，其中 ρ 为反射率、α 为吸收率、τ 为透射率，材料光学性质由复折射率 ?=n+ik 描述。现有模型分两类：基于 Maxwell 方程的全波电磁法（精度高但计算昂贵，难用于真实制造面）与基于几何光学近似的简化模型（如 Agababov 模型，以粗糙度因子 R=A_k/A_i∈[0,1] 修正有效发射率 ε_i=(1+(1/ε_k?1)R)^?1，但仅用少量粗糙参数、忽略化学演化）。真实喷砂过程同时改变形貌并嵌入磨料（如 corundum/Al₂O₃）造成化学污染，氧化等近表面化学转变亦未被传统模型涵盖，导致发射率预测偏差。为此，研究人员以 Ti-6Al-4V 钛合金喷砂面为对象，发展物理引导神经网络（Physics-guided Neural Networks, PGNN）耦合 Agababov 解析式与数据驱动分支，解耦粗糙度与 Al₂O₃ 化学贡献，成果发表于《International Journal of Thermal Sciences》。

主要关键技术方法（≤250字）

研究人员制备 16 件 Ti-6Al-4V 圆盘（1 件抛光参考，15 件以 5 种刚玉粒径 25–250 μm 与 3 档压力 2–4 bar 随机喷砂获得各向同性形貌）；用 Zygo 干涉仪在 30 个 1×1 mm 区域按 ISO 25178 提取 8 个 3D 粗糙参数（Sa, Sal, Str, Sdq, Sdr, Spd, Spc, Sfd）；BRUKER FTIR VERTEX 70v 配积分球测 2–23 μm 光谱反射率并经 ε_λ=1?ρ_λ 得发射率；BSE–SEM 结合 Otsu 多级阈值量化 Al₂O₃ 覆盖分数。PGNN 架构含粗糙子网（8 粗糙参数+λ 映射有效波长相关粗糙因子 R_λ）与化学分支（粒径 D、压力 P 映射 f_m），以 MAPE+物理惩罚训练（Nadam, 自适应学习率, GELU, 20 次重训 Bootstrap），并用 FAST（Fourier Amplitude Sensitivity Testing）做全局敏感性分析。

研究结果

4.1 阈值分割 SEM 图像：Al₂O₃ 覆盖分数随粒径与压力呈非单调变化，中等粒径+适中压力嵌入最优；过高冲击能致 Al₂O₃ 碎裂使保留率下降，覆盖率为 2D 面积比且受阴影影响。

4.2 表面发射率测量：抛光 Ti 发射率约 0.25–0.35，喷砂面升至 0.7–0.8，Al₂O₃ 近黑体（≈1）；平均发射率随粒径先升后降，压力影响弱。

4.3 神经网络预测：PGNN 在全谱均误差 <2.5%、偏差 <1.5%，>20 μm 边缘因超出 Agababov 几何区误差略增，能复现 90-02 等样品光谱趋势。

4.4 与现有模型对比：Wen&Mudawar 低估（忽略化学）、Zhang 近似高估、Jiangyuan 失效；PGNN 全局相对误 2.35±1.37%，远优三类经典模型（44.30%、24.28%、56.78%）。

4.5 贡献分解：基材抛光 Ti 占 40–45%，粗糙+Al₂O₃ 共占 55–60%；其中 Al₂O₃ 贡献 35%（细粒）至 >50%（粗粒）。

4.6 敏感性分析（FAST）：Spc（算术平均峰曲率）总敏感指数约 0.33 最高，Sdr（展开界面面积比）约 0.17–0.19 次之，其余 Sa/Sal/Str/Sdq/Spd/Sfd 多 <0.1。

讨论与结论翻译

讨论指出，经典几何光学模型因参数少、无化学项而无法描述真实喷砂 Ti 面；PGNN 把 R 扩展为波长依赖的有效粗糙因子 R_λ，并由网络从多参数形貌中学得，使物理解析式保留而黑箱仅用于参数化，从而在 16 表面小样本下仍泛化。SEM 覆盖率量化存 2D/3D 与阴影局限但不影响主导结论。FAST 显示 Spc 与 Sdr 为形貌主控变量，与 Agababov 空腔增强机制一致。

研究结论：研究人员建立了一种基于 Agababov 框架并嵌入 PGNN 的发射率模型，将测量发射率分解为 (1?f_m)·ε_λ,rug+f_m·χ，其中 ε_λ,rug=(1+(1/ε_{λ,Ti_polished}?1)R_λ)^?1，χ≈ε_λ,Al2O3；喷砂 Al₂O₃ 嵌入贡献总发射率增量 35–50%；Spc 与 Sdr 为预测主导粗糙参数；PGNN 比既有解析模型精度提升一个数量级，可为制造表面功能属性（散热/隐身/涂层附着）的形貌—化学协同设计提供可解释工具。