مجله علمی  رایانش نرم و فناوری اطلاعات

مجله علمی رایانش نرم و فناوری اطلاعات

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

نوع مقاله : مقاله پژوهشی فارسی

نویسنده
گروه فیزیک، مرکز تحقیقات مواد و انرژی، واحد دزفول، دانشگاه آزاد اسلامی، دزفول، ایران.
چکیده
در این پژوهش، یک چارچوب دقیق و کارآمد برای پیش‌بینی رسانش حرارتی (κ) نانوساختارهای کربنی، از جمله نانولوله‌های کربنی و گرافن، با استفاده از تلفیق شبیه‌سازی دینامیک مولکولی و شبکه عصبی گرافی توسعه داده شد. داده‌های آموزشی از شبیه‌سازی‌های دینامیک مولکولی با استفاده از نرم‌افزار 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 پیش‌بینی 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 داده‌های آزمایشگاهی و شبیه‌سازی است. تحلیل فیزیکی نشان داد که عیوب اتمی، افزایش دما و کاهش اندازه ساختار به‌ترتیب تا ۴۸%، ۳۵% و ۳۶% رسانش حرارتی را کاهش می‌دهند. همچنین، اعمال کرنش کششی تا ۱۰% منجر به کاهش ۳۹%ی κ می‌شود که به دلیل افزایش پراکندگی فونونی و کاهش سرعت گروه فونون است. تحلیل تفسیرپذیری با استفاده از Grad-CAM نشان داد که اتم‌های نزدیک به عیوب، مرزها و نواحی کرنش‌یافته بیشترین تأثیر را در کاهش κ دارند. این یافته‌ها با نظریه پراکندگی فونونی سازگار هستند و نشان می‌دهند که مدل شبکه عصبی گرافی نه تنها پیش‌بینی می‌کند، بلکه مکانیسم فیزیکی پشت پدیده را نیز درک می‌کند. این چارچوب ترکیبی می‌تواند به‌عنوان ابزاری قدرتمند در طراحی مواد حرارتی هوشمند، سنسورهای مبتنی بر کرنش و سیستم‌های خنک‌کننده نانوالکترونیکی مورد استفاده قرار گیرد.
کلیدواژه‌ها

[1] P. Kim, L. Shi, A. Majumdar, and P. L. McEuen, "Thermal transport measurements of individual multiwalled nanotubes," Phys. Rev. Lett.87 215502, 2001. doi.org/10.1103/PhysRevLett.87.215502
[2]-W. Jiang, J.-S. Wang, and B. Li, " Thermal expansion in single-walled carbon nanotubes and graphene: Nonequilibrium Green’s function approach ," Physical Review B, vol. 80, no. 21, p. 205429, 2009.
doi.org/10.1103/PhysRevB.80.205429
[3] S. Plimpton, "Fast parallel algorithms for short-range molecular dynamics," Journal of Computational Physics, vol. 117, no. 1, pp. 1–19, 1995. doi.org/10.1006/jcph.1995.1039
[5] J. Gilmer, S. S. Schoenholz, P. F. Riley, O. Vinyals, and G. E. Dahl, "Neural message passing for quantum chemistry," in Proceedings of the 34th International Conference on Machine Learning, vol. 70, pp. 1263–1272, 2017. Doi:10.48550/arXiv.1704.01212
[6] H. Ghavaminia, "Predicting dielectric constants of nanomaterials using graph neural networks," Journal of Soft Computing and Information Technology, Vol. 14, no.3, pp. 13-20, 2025 doi:10.22034/jscit.2025.512167.2119
[7] H. Ghavaminia, Predicting Hydrogen Uptake in Carbon Nanotubes Using Graph Neural Networks and Molecular Simulations. Journal of Chemical Reactivity and Synthesis: vol 15 no. pp. 50-68 2025. doi:10.82437/jcrs.2025.1221400
[8] N. Mingo and D. A. Broido, "Length Dependence of Carbon Nanotube Thermal Conductivity and the “Problem of Long Waves," Nano Letters, vol. 5, no. 7, pp. 1221–1225, 2005. doi/10.1021/nl050714d
[9] L. Lindsay, D. A. Broido, and N. Mingo, "Flexural phonons and thermal transport in graphene," Physical Review B, vol. 82, no. 11, p. 115427, 2010. doi.org/10.1103/PhysRevB.82.115427
[10] S. Klein, Z. Aksamija, and M. F. B., " Electrothermal properties of 2D materials in device applications,J. of Compt. Electr., Vol. 22  5
PP. 1310 – 1318,doi.org/10.1007/s10825-023-02091-z.
[11] Z. Guo, D. Zhang, and X. G. Gong, "Thermal conductivity of graphene nanoribbons," Applied Physics Letters, vol. 95, no. 16, p. 163103, 2009. doi.org/10.1063/1.3246155.
[1] X. Wei B. Fragneaud. C.A.Marianetti, and Nonlinear elastic behavior of graphene AB initio calculations to continuum description.Phys. Rev. B 80, 205407 Published 10 November, 2009.doi: 10.1103/PhysRevB.80.205407
[13] J. Hone, M. C. Llaguno, M. J. Biercuk, A. T. Johnson, Z. Batlogg, B. H. Zettl, and J. E. Fischer, "Thermal properties of carbon nanotubes and nanotube-based materials," Applied Physics A, vol. 74, no. 3, pp. 339–343, 2002. doi.org/10.1063/1.1469696
[14] P. Keblinski, J. M. Holt, D. R. Kuhlmann, and D. G. Cahill, "Mechanisms of heat flow in suspensions of nano-sized particles (nanofluids)," International Journal of Heat and Mass Transfer, vol. 45, no. 4, pp. 855-863.2002. https://doi.org/10.1016/S0017-9310(01)00175-2
[15] A. A. Balandin, S. Ghosh, W. Bao, I. Calizo, D. Teweldebrhan, F. Miao, and C. N. Lau, "Superior thermal conductivity of single-layer graphene," Nano Letters, vol. 8, no. 3, pp. 902–907, 2008. https://doi.org/10.48550/arXiv.0802.1367
[16] Y. Huang, J. Wu, and K. C. Hwang, "Thickness of graphene and single-wall carbon nanotubes," Phys. Rev.B Vol.74, PP.245413, 2006. doi.org/10.1103/PhysRevB.74.245413
[17] X. Xu, L. Wang, Q. Zhang, Q. Zhao, J. Jia, X. Zhai, and K. Chang, "High thermal conductivity of suspended exfoliated graphene," Nature Materials, vol. 13, no. 12, pp. 1117–1121, 2014.
[18] D. P. Kingma and J. L. Ba, "Adam: A method for stochastic optimization," in Proceedings of the 3rd International Conference on Learning Representations, 2015. https://doi.org/10.48550/arXiv.1412.6980