De nouveaux matériaux développés grâce à l’apprentissage automatique et à l’intelligence artificielle pourraient, entre autres, garder votre maison plus fraîche et réduire vos factures d’énergie.
Des chercheurs de l’université du Texas à Austin, de l’université Jiao Tong de Shanghai, de l’université nationale de Singapour et de l’université d’Umea en Suède ont mis au point une nouvelle approche basée sur l’apprentissage automatique pour créer des méta-émetteurs thermiques complexes et tridimensionnels. Grâce à ce système, les chercheurs ont mis au point plus de 1 500 matériaux différents capables d’émettre sélectivement de la chaleur à différents niveaux et de différentes manières, ce qui les rend idéaux pour l’efficacité énergétique grâce à un refroidissement et à un chauffage plus précis.
« Notre cadre d’apprentissage automatique représente une avancée significative dans la conception de méta-émetteurs thermiques », a déclaré Yuebing Zheng, professeur au département Walker d’ingénierie mécanique de la Cockrell School of Engineering et codirecteur de l’étude publiée dans Nature. « En automatisant le processus et en élargissant l’espace de conception, nous pouvons créer des matériaux aux performances supérieures qui étaient auparavant inimaginables ».
Pour tester leur plateforme, les chercheurs ont fabriqué quatre matériaux afin de vérifier les conceptions. Ils ont ensuite appliqué l’un des matériaux à une maquette de maison et l’ont comparé à des peintures commerciales pour ce qui est de l’effet de refroidissement. Après une exposition de quatre heures à la lumière directe du soleil, le toit du bâtiment recouvert de méta-émetteurs s’est révélé plus frais de 5 à 20 degrés Celsius en moyenne que les toits recouverts de peinture blanche et grise, respectivement.
Les chercheurs ont estimé que ce niveau de refroidissement pourrait permettre d’économiser l’équivalent de 15 800 kilowatts par an dans un immeuble d’habitation situé dans un climat chaud comme celui de Rio de Janeiro ou de Bangkok. Une unité de climatisation typique consomme environ 1 500 kilowatts par an.
Cependant, les applications vont au-delà de l’amélioration de l’efficacité énergétique dans les maisons et les bureaux. À l’aide du cadre d’apprentissage automatique, les chercheurs ont mis au point sept catégories de méta-émetteurs, chacune présentant des atouts et des applications différents.
Les méta-émetteurs thermiques pourraient être déployés pour contribuer à réduire la température dans les zones urbaines en réfléchissant la lumière du soleil et en émettant de la chaleur dans des longueurs d’onde spécifiques. Cela permettrait d’atténuer l’effet d’îlot de chaleur urbain, où les grandes villes ont des températures plus élevées que les zones environnantes en raison d’un manque de végétation et de niveaux élevés de béton. Au-delà de notre monde, les méta-émetteurs thermiques pourraient être utiles dans l’espace pour gérer la température du vaisseau spatial en réfléchissant le rayonnement solaire et en émettant de la chaleur de manière efficace.
Au-delà des applications de cette recherche, les méta-émetteurs thermiques pourraient faire partie de nombreux objets que nous utilisons quotidiennement. Leur intégration dans les textiles et les tissus pourrait améliorer la technologie de refroidissement des vêtements et des équipements de plein air. En enveloppant les voitures de ces méta-émetteurs et en les intégrant dans les matériaux intérieurs, on pourrait réduire la chaleur qui s’accumule lorsqu’elles sont exposées au soleil.
Le processus traditionnel laborieux de conception de ces matériaux les a empêchés d’être adoptés par le grand public. D’autres options automatisées peinent à gérer la complexité de la structure hiérarchique tridimensionnelle des méta-émetteurs, ce qui limite les résultats à des géométries simples telles que des empilements de couches minces ou des motifs planaires, dont les performances ne sont pas à la hauteur de certaines mesures.
« Traditionnellement, la conception de ces matériaux a été lente et laborieuse, reposant sur des méthodes d’essai et d’erreur », a ajouté Zheng, « Cette approche conduit souvent à des conceptions sous-optimales et limite la capacité à créer des matériaux dotés des propriétés nécessaires pour être efficaces ».
Les chercheurs continueront à affiner cette technologie et à l’appliquer à d’autres aspects de leur domaine, la nanophotonique – l’interaction de la lumière et de la matière aux échelles les plus minuscules.
« L’apprentissage automatique n’est peut-être pas la solution à tout, mais les exigences spectrales uniques de la gestion thermique le rendent particulièrement adapté à la conception d’émetteurs thermiques à haute performance », a conclu Kan Yao, coauteur de ce travail et chercheur associé dans le groupe de Zheng.
