基于机器学习的流体对流换热特征预测研究OA

流体出口温度(T_(w2))和对流换热系数(h)是评价裂隙内流体对流换热特征的2个重要指标,但试验获取以上数据的成本高昂,数值模拟计算复杂耗时,难以满足大批量快速预测的需求。此外,现有公开的h公式在计算时可能出现负值或数值震荡等异常现象,缺乏稳健性。为此,文章以提出性能更加稳健的h公式、开发高效的机器学习代理模型、实现T_(w2)和h的高精度快速预测为目的,并比较了关键控制参数的作用效果。首先通过理论推导提出新的h表达式,并与现有公式对比以验证其可靠性;随后,选用极限梯度提升算法(XGBoost)、轻量级梯度提升树(LightGBM,GBM)、随机森林(random forest,RF)、支持向量机回归(support vector regression,SVR)等4种不同集成策略的算法分别对T_(w2)和h进行建模,并通过均方根误差、平均绝对误差等6项指标对模型进行评估比较;最后,通过特征重要性分析,量化不同参数对T_(w2)和h的影响程度。结果表明:新的h公式计算稳定,不会出现负值或数值震荡等异常情况,优于现有公式;XGB算法和SVR算法分别在对T_(w2)和h的预测上表现最优,R^(2)均大于0.95;外围温度(T_(o))是影响T_(w2)的决定性因素,而流速(u)、裂隙开度(δ)和外围温度(T_(o))共同主导h的变化。文章提出的h公式能够克服部分现有公式的缺陷,为对流换热计算提供可靠的工具。同时,开发的机器学习模型能够在高精度的前提下实现T_(w2)和h的快速批量预测,显著提升了计算效率。