用于聚合物复合材料翅片自然对流过程中结霜的数据驱动且可解释的建模框架
发布时间:2026-09-26 | 来源:Nature Scientific Reports | 作者:Seif Al Bustanji
在制冷、低温系统及高效热能管理领域,换热表面上的结霜问题始终是一项关键挑战。对于碳纤维增强聚合物复合翅片(CFRPCFs)而言,霜层厚度(FLT)的准确预测尤为重要,因为其独特的热物理性质会改变霜层生长动力学,使其不同于传统金属基体。由于现有经验关联式难以捕捉复合材料基体所特有的高度非线性传热传质机制,本研究开发了可解
在制冷、低温系统及高效热能管理领域,换热表面上的结霜问题始终是一项关键挑战。对于碳纤维增强聚合物复合翅片(CFRPCFs)而言,霜层厚度(FLT)的准确预测尤为重要,因为其独特的热物理性质会改变霜层生长动力学,使其不同于传统金属基体。由于现有经验关联式难以捕捉复合材料基体所特有的高度非线性传热传质机制,本研究开发了可解释的机器学习框架,用于模拟自然对流条件下的FLT。基于包含356个观测值的实验数据库,采用物理信息无量纲输入构建了四种模型,即支持向量机(SVM)、人工神经网络(ANN)、径向基函数神经网络(RBFNN)以及自适应神经模糊推理系统(ANFIS),并通过贝叶斯优化进行了优化。所开发的RBFNN模型表现出优越的预测能力,其学习和验证的平均绝对百分比偏差(MAPD)分别为1.07%和2.06%,相较于文献关联式有显著改进。分组九折(按工况)交叉验证方案通过迭代留出完整运行工况,证实了模型对未见运行状态具有稳健的泛化能力,而适用域分析则验证了模型在实验参数空间内的可靠性。至关重要的是,本研究集成了Shapley加性解释(SHAP)以解决这些模型的黑箱性质。所得模型归因的特征重要性模式在定性上与已确立的结霜生长机制一致。这项工作为复合翅片上的FLT预测提供了一个高精度、稳定且物理可解释的框架,为先进热材料建立了可靠的建模模板。
返回资讯频道