2. 热电材料本构关系与参数获取

在热电耦合物理模型中，真正决定仿真结果可信度的并不是网格有多密、求解器有多先进，而是材料本构关系是否被正确描述。热电材料的三个核心参数——塞贝克系数 S、电导率 σ、热导率 κ——都不是常数，它们随温度呈现明显的非线性变化，并且在载流子浓度、掺杂水平和温度区间之间存在强耦合。本节的任务，是把这三个参数从“查表得到的几个数”变成“可被模型调用的温度函数”，并学会评估这些函数本身带来的不确定性。

一、三个本构参数各自的物理含义与温度行为

塞贝克系数描述单位温差下产生的开路电压，定义为 S = −ΔV/ΔT，单位 V/K。对多数半导体热电材料，S 随温度先升后降：低温区载流子浓度近似冻结，S 随温度上升而增大；当本征激发开始主导，双极扩散使 S 迅速回落。电导率 σ = nqμ 受载流子浓度与迁移率共同控制，迁移率随温度升高因声子散射增强而下降，因此重掺杂样品的 σ 通常随温度单调降低。热导率 κ = κL + κe 由晶格热导与电子热导两部分组成，晶格部分随温度按近似 1/T 衰减，电子部分则通过 Wiedemann–Franz 定律与 σ 关联。

需要特别强调的是符号约定：本文及后续模型统一采用 S = −ΔV/ΔT，即 S 为正表示冷端电位高于热端（p 型），为负表示 n 型。若实验数据来源采用相反约定，必须在导入前统一翻转，否则后续耦合方程中的电流方向会整体反号。

参数随温度的非线性行为（示意） T (K) 值 S(T) σ(T) κ(T) 从实验点到模型参数 实验数据 S、σ、κ vs T 清洗与单位统一 V/K、S/m、W/(m·K) 拟合模型选择 多项式 / 分段 / 物理式 系数与协方差 a₀…aₙ、R²、置信带 外推与边界检查 T 范围外禁止外推 写入模型材料库 S(T)、σ(T)、κ(T) 拟合置信带 → 参数区间 → 仿真结果包络 浅：95% 置信带　中：80%　深：拟合中心值

二、从散点到温度函数：拟合怎么做

实验通常给出若干温度点上的测量值，例如每 50 K 一个点，覆盖 300–800 K。建模时需要把这些离散点变成连续可调用的函数。常用做法有三类，选择取决于数据密度与物理约束。

多项式拟合是最直接的方式，例如对 S(T) 取二次或三次多项式：S(T) = a0 + a1T + a2T2。优点是实现简单、求导方便；缺点是阶数过高会在数据点之间产生振荡，尤其在 S 的峰值附近容易过冲。建议阶数不超过 3，并用残差图检查是否存在系统性偏差。

分段线性或分段样条适合数据点较密的情形。分段线性在节点处导数不连续，若模型需要计算 dS/dT（例如在能斯特效应或变温工况中），应改用三次样条以保证一阶导数连续。

物理约束拟合则把已知物理规律嵌入函数形式。例如晶格热导率按 κL = A/T + B 拟合，电子热导率由 κe = LσT 给出（L 为洛伦兹数，简化为 2.0×10−8 W·Ω/K2 量级）。这种形式外推行为更合理，但要求数据本身覆盖足够温区。

下面给出一个可直接套用的拟合与评估片段，以 Python 的 numpy.polyfit 为例（示例数据为合理假设，非实测）：

import numpy as np
T = np.array([300, 400, 500, 600, 700, 800])          # K
S = np.array([180, 205, 220, 215, 195, 170]) * 1e-6   # V/K，示例
coef, cov = np.polyfit(T, S, 2, cov=True)             # 二次拟合+协方差
S_fit = np.polyval(coef, T)
resid = S - S_fit
rmse = np.sqrt(np.mean(resid**2))
print("系数:", coef, "RMSE:", rmse)
# 用协方差估计 95% 置信带半宽（近似）
se = np.sqrt(np.diag(cov))
print("系数标准误:", se)

关键判断依据有三条：残差应随机分布在零附近、无明显弯曲趋势；RMSE 应小于测量不确定度的量级（例如 S 的测量误差常在 5% 左右）；拟合曲线在数据覆盖区间内不应出现物理上不合理的负值或突变。

三、参数不确定性的传递与处理

拟合得到的不是一组确定系数，而是一组带协方差的估计。工程上常用的处理方式有三种。其一是区间法：对每个参数取拟合中心值与 95% 置信上下限，分别跑三次仿真，得到输出（如最大温差、输出功率）的包络区间。其二是蒙特卡洛抽样：按协方差矩阵对系数做多元正态抽样，重复数百次，统计输出的分布。其三是灵敏度分析：单独扰动 S、σ、κ 各 10%，观察哪个参数对目标量影响最大，从而决定实验复测的优先级。

在多数热电发电场景中，S 的误差对输出电压影响接近线性放大，而 κ 的误差对温差分布影响更显著。若时间有限，优先保证 κ 的测量精度与温区覆盖。

四、实操中的常见陷阱

  • 单位混用：文献中 σ 常以 S/cm 给出，而模型多用 S/m，差两个数量级；S 常以 μV/K 给出，需乘 10−6。
  • 温区外推：用 300–500 K 的数据拟合后直接算到 800 K，误差可能超过 30%。模型调用时应设置温度裁剪或报警。
  • 各向异性被忽略：层状材料面内与面外参数差异可达数倍，若模型是三维的，必须分别给出张量分量。
  • 符号约定不一致：n 型与 p 型数据混用时未统一 S 的符号，导致耦合项整体反号。
拟合优度高不等于模型可信。R² 接近 1 只说明曲线穿过了数据点，若数据本身温区窄、测量系统误差大，拟合结果仍可能偏离真实本构。务必结合物理合理性（如 S 峰值位置、κ 单调性）做交叉判断。

把上述工作做扎实后，材料库中保存的就不再是三个孤立的数字，而是三条带置信区间的温度函数。后续构建热电耦合方程、设置边界条件、解释仿真结果时，这些函数及其不确定性将成为判断结果是否可信的第一道依据。

← 上一章 📖 返回目录 下一章 →