基于机器学习和经验方法对涂层基片上的核沸腾进行建模
应用物理
2025-06-24 v1 材料科学
摘要
表面改性显著提高了沸腾传热效率。通过不同材料和技术的薄膜涂层和多孔涂层基片，由于表面存在微小空洞，显著提升了传热通过增加核沸腾。现有模型和经验相关式对于这些涂层表面的沸腾受限于特定的运行条件和参数范围，因而其预测精度有限。本研究聚焦于开发一个准确可靠的机器学习 (ML) 模型，通过有效捕捉影响变量之间的实际关系。已对 various ML algorithms 在薄膜涂层和多孔涂层数据集上进行评估，这些数据集来自不同的研究。经过交叉验证和 hyperparameter 调整后，CatBoost 模型表现出最佳的预测精度。对于优化后的 CatBoost 模型，已进行 SHAP 分析，以识别最主要的影响参数并解释参数变化对目标变量的影响。该模型解释清晰地合理化了模型预测背后的决策，使其成为预测涂层表面核沸腾热传递系数 (HTC) 的稳健模型。最后，评估了现有的经验相关式，并提出了新的相关式以预测这些表面的 HTC，纳入了通过 SHAP 解读识别的影响参数。
引用
@article{arxiv.2409.07811,
title = {Modelling of nucleate pool boiling on coated substrates using machine learning and empirical approaches},
author = {Vijay Kuberan and Sateesh Gedupudi},
journal= {arXiv preprint arXiv:2409.07811},
year = {2025}
}