بررسی رسانش حرارتی نانوساختارهای کربنی با استفاده از شبیه سازی دینامیک مولکولی وشبکه عصبی گرافی

در این پژوهش، یک چارچوب دقیق و کارآمد برای پیش بینی رسانش حرارتی (κ) نانوساختارهای کربنی، از جمله نانولوله های کربنی و گرافن، با استفاده از تلفیق شبیه سازی دینامیک مولکولی و شبکه عصبی گرافی توسعه داده شد. داده های آموزشی از شبیه سازی های دینامیک مولکولی با استفاده از نرم افزار لمپس و پتانسیل آریبو تحت شرایط مختلف (عیوب، کرنش، دما و اندازه ساختار) تولید شدند. سپس، یک مدل شبکه عصبی انتقال پیام با دقت بالا قادر به پیش بینی κ در زمانی کمتر از ۰.۵ ثانیه شد. نتایج نشان داد که مدل شبکه عصبی گرافی با دقت بسیار بالایی قادر به بازتولید مقادیر κ در مقایسه با داده های آزمایشگاهی و شبیه سازی است. تحلیل فیزیکی نشان داد که عیوب اتمی، افزایش دما و کاهش اندازه ساختار به ترتیب تا ۴۸%، ۳۵% و ۳۶% رسانش حرارتی را کاهش می دهند. همچنین، اعمال کرنش کششی تا ۱۰% منجر به کاهش ۳۹%ی κ می شود که به دلیل افزایش پراکندگی فونونی و کاهش سرعت گروه فونون است. تحلیل تفسیرپذیری با استفاده از Grad-CAM نشان داد که اتم های نزدیک به عیوب، مرزها و نواحی کرنش یافته بیشترین تاثیر را در کاهش κ دارند. این یافته ها با نظریه پراکندگی فونونی سازگار هستند و نشان می دهند که مدل شبکه عصبی گرافی نه تنها پیش بینی می کند، بلکه مکانیسم فیزیکی پشت پدیده را نیز درک می کند. این چارچوب ترکیبی می تواند به عنوان ابزاری قدرتمند در طراحی مواد حرارتی هوشمند، سنسورهای مبتنی بر کرنش و سیستم های خنک کننده نانوالکترونیکی مورد استفاده قرار گیرد.

کلیدواژه ها:

نانوساختارهای کربنی ، رسانش حرارتی ، شبیه سازی دینامیک مولکولی ، شبکه عصبی گرافی