综述:从实验到人工智能:预测纳米流体热物理性质的机器学习方法比较综述

《Nanomaterials》:From Experiments to AI: A Comparative Review of Machine Learning Approaches for Predicting Nanofluid Thermophysical Properties Salim Al. Jadidi, Rekha Moolya, Rajendra Padidhapu, Sivasubramanian Subramanian and Shivananda Moolya

【字体: 大 中 小 】 时间:2026年03月04日 来源:Nanomaterials 4.8

编辑推荐:

  纳米流体在传热和冷却系统中的应用具有广泛益处。纳米流体的粘度和热导率对传热应用以及太阳能和地热系统等设备有显著影响。机器学习模型能够实现更快、成本更低的纳米流体热物理性质建模。这些模型对于未来研究和纳米技术发展是可靠的。在本综述中,研究人员将形状、尺寸、温度和

  
纳米流体在传热和冷却系统中的应用具有广泛益处。纳米流体的粘度和热导率对传热应用以及太阳能和地热系统等设备有显著影响。机器学习模型能够实现更快、成本更低的纳米流体热物理性质建模。这些模型对于未来研究和纳米技术发展是可靠的。在本综述中,研究人员将形状、尺寸、温度和体积浓度作为输入,开发了多种机器学习方法,例如人工神经网络(ANN)、支持向量回归(SVR)、决策树(DT)和随机森林(RF)。通过比较R2值对模型进行分析,结果表明基于机器学习的模型通常比其他方法表现出更可靠的性能。本综述中的观察结果是,热导率随温度和体积分数的增加而增加,而粘度随尺寸、温度和体积分数的增加而降低。为了确定针对特定应用(如数据中心冷却和高热流密度电子设备)的最佳纳米颗粒类型、尺寸和浓度,未来研究可能采用基于机器学习的优化技术。
论文主体部分首先在引言中介绍了纳米流体在传热和冷却系统中的广泛应用,其热导率和粘度对太阳能和地热系统等设备至关重要。传统实验方法成本高且耗时长,经典理论关联式受限于假设而难以泛化。机器学习(ML)模型如人工神经网络(ANN)、支持向量回归(SVR)、决策树(DT)和随机森林(RF)能够更快、更经济地预测纳米流体热物理性质。通过比较R2值,基于ML的模型通常表现出更可靠的性能。综述发现热导率随温度和体积分数增加而上升,而粘度随尺寸、温度和体积分数增加而下降。

第二部分介绍了纳米颗粒类型及其应用。纳米颗粒按尺寸、组成和物理化学性质分为聚合物、脂质和碳基三类。人工纳米颗粒如金属、量子点、纳米管等因高表面积增强传热,其分散在基液中可显著改善热物理性质,在加热和冷却过程中发挥关键作用。

第三部分讨论了机器学习模型。ML算法性能依赖于输入数据量,用于预测纳米流体热物理性质的方法包括ANN、SVM和多层感知器(MLP)。研究表明ML技术具有更高准确性。ANNs模仿生物神经系统,由带权重的神经元连接组成,可减少实验时间和成本,例如用于预测多聚α烯烃氮化硼纳米流体的动态粘度。SVM是监督学习技术,用于分类和回归(SVR),已广泛用于纳米流体热物理性质预测。MLP是使用多层神经元的监督学习算法,能学习非线性关系,常用作预测方法。

第四部分详述了近期预测纳米流体粘度、热导率和比热容的模型。4.1节热导率模型指出热导率受颗粒体积分数、材料、尺寸、形状、基液、温度、强度和酸度等因素影响。研究采用群方法数据处理(GMDH)神经网络和数学关联式,R2值达0.9996;随机森林(RF)在预测TiO2-H2O纳米流体热导率方面表现有效;ANN和响应面法(RSM)模型用于碳基纳米颗粒,ANN优于RSM。4.2节粘度模型强调粘度受基液类型、颗粒尺寸、形状、体积浓度、温度、pH值、剪切速率等影响。多保真神经网络(MFNN)预测粘度R2值为0.991;随机森林(RF)用于氧化铝基纳米流体,相对误差在12.657%到-16.071%之间。4.3节比热容模型定义比热容为升高单位温度所需热量,在纳米流体中随颗粒体积分数增加而降低。贝叶斯支持向量回归(BSVR)预测Al2O3-乙二醇纳米流体比热容,通过RMSE、MAE、平均绝对相对偏差(AARD)和R2评估精度。

第五部分讨论了估计纳米流体热导率和粘度的机器学习模型。5.1节热导率预测模型列举了多种ANN研究,例如使用72个数据点预测铁-乙二醇纳米流体热导率,均方误差(MSE)为0.00016;其他研究使用温度、体积分数、颗粒尺寸等输入,ANN模型的R2值可接近1,温度被认为是最有影响力的因素。5.2节粘度预测模型总结了多种ML模型(ANN、MLP、高斯过程回归(GPR)、SVR等),输入包括温度、基液粘度、体积分数、颗粒尺寸、密度等。研究表明ANN具有高精度,R2值可达0.9997;体积分数对粘度影响最大,温度影响最小;不同模型如SVR、RF等均有应用,其中ANN表现优异。

第六部分总结指出,机器学习模型在预测纳米流体粘度和热导率方面始终优于经典关联式;ANN和集成学习对强非线性性质表现最佳;SVR适用于平滑变化性质如密度和比热容;模型性能强烈依赖训练数据质量、多样性和操作范围;温度和体积分数是最重要输入特征;ANN架构选择显著影响性能;模型外推能力有限,需严格验证和不确定性量化;集成实验与数据驱动方法可靠;模型迁移性有限,需更广泛标准化数据集;基于机器学习的优化框架有潜力确定最佳纳米颗粒类型、尺寸和浓度;未来模型应加入物理约束,发展统一多性质预测框架以加速纳米流体实际应用。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号