基于机器学习的微通道传热系数预测方法
流体动力学
2023-05-31 v1 机器学习
数据分析、统计与概率
摘要
准确预测两相传热系数(HTC)随工质、通道几何与工艺条件的变化关系,是紧凑式换热器优化设计与运行的关键。人工智能研究的进展近期推动了机器学习(ML)算法在获取HTC数据驱动代理模型方面的应用。对大多数监督学习算法而言,该任务是一个非线性回归问题。尽管这些模型已被证明能够超越传统经验关联式,但它们存在过拟合数据、缺乏不确定性估计以及结果可解释性差等关键局限。为应对这些局限,本文采用多输出高斯过程回归(GPR)来估计微通道中的HTC,将其表示为质量流量、热流密度、系统压力以及通道直径与长度的函数。模型使用Brunel两相流数据库中的高保真实验数据进行训练。GPR的优势在于数据高效、需训练的超参数少(通常与输入维度数量级相同),以及通过边际似然最大化(贝叶斯方法)自动权衡数据拟合与模型复杂度。本文提出了改进GPR基模型外推性能的研究方向。
引用
@article{arxiv.2305.18406,
title = {A machine learning approach to the prediction of heat-transfer coefficients in micro-channels},
author = {Tullio Traverso and Francesco Coletti and Luca Magri and Tassos G. Karayiannis and Omar K. Matar},
journal= {arXiv preprint arXiv:2305.18406},
year = {2023}
}
备注
7 pages, 2 figures, to be published in the proceedings of the 17th International Heat Transfer Conference 2023 (IHTC-17)