面向汽车散热器中ZnO-水纳米流体热性能优化的混合实验-AI框架

《ARABIAN JOURNAL FOR SCIENCE AND ENGINEERING》:Hybrid Experimental–AI Framework for Thermal Performance Optimization of ZnO–Water Nanofluids in Automotive Radiators

【字体: 大 中 小 】 时间:2026年03月18日 来源:ARABIAN JOURNAL FOR SCIENCE AND ENGINEERING 3.1

编辑推荐:

  电动和内燃机车辆对强化热调控的日益增长需求,推动了下一代换热器技术研究的深入发展。受当代汽车系统中对热一致性和高保真度预测工具迫切需求的驱动,本研究提出了一种将ZnO-水纳米流体实验经验结果与物理信息神经网络(Physics-Informed Neural N

  
电动和内燃机车辆对强化热调控的日益增长需求,推动了下一代换热器技术研究的深入发展。受当代汽车系统中对热一致性和高保真度预测工具迫切需求的驱动,本研究提出了一种将ZnO-水纳米流体实验经验结果与物理信息神经网络(Physics-Informed Neural Network, PINN)相结合的新型混合框架。该方法对于将经验数据与基本物理规则相连接以实现准确的热预测至关重要。实验研究在宽泛的运行参数范围内开展,包括纳米颗粒体积分数0至0.1%、进口温度40°C至80°C以及体积流量5至11 LPM。主要结果表明,最高的热强化效果在ZnO体积分数为0.025%时实现,该浓度下对流换热系数相对纯水提高了213%,努塞尔数(Nusselt Number, Nu)改善了214%,尤其在低温条件下表现突出。超过该浓度后,由于团聚现象和黏度增加,性能出现恶化。研究人员利用实验数据开发了人工神经网络(Artificial Neural Network, ANN)和PINN模型,用于预测努塞尔数和换热系数等关键参数。PINN模型表现优于ANN模型,其换热系数的决定系数R2约高出7.6%(0.9167 vs 0.8354),努塞尔数预测的R2高出约8.7%(0.8697 vs 0.7901)。这些发现凸显了构建高保真度数字孪生架构的重要性,该架构解决了传统人工智能"黑箱"的局限性,为先进汽车冷却系统的实时优化与监测提供了综合解决方案。
本文发表于《ARABIAN JOURNAL FOR SCIENCE AND ENGINEERING》,旨在解决当代汽车日益增长的功率密度和严格的排放要求所带来的热管理挑战。换热器作为提升能源效率和维持有效热管理的关键组件,在工业运行和汽车行业中发挥着至关重要的作用。近年来,将纳米颗粒加入基液形成的纳米流体因具有更高的换热系数而受到广泛关注,其中ZnO纳米颗粒在强化传热方面表现出巨大潜力。然而,现有文献大多集中于确定适宜的纳米颗粒浓度,忽视了基于物理的高级预测建模方法;同时,纯粹的数据驱动模型往往作为"黑箱"运作,且需要大量实验数据集,获取成本高昂。为此,研究人员开展了一项创新性研究,将高保真度实验数据与PINN相结合,以保证热预测(特别是努塞尔数和对流换热系数)在数据稀疏条件下仍保持物理一致性,从而超越传统机器学习的"黑箱"局限,为先进汽车散热器系统的实时监测与优化构建可靠的数字孪生框架。

研究采用的关键技术方法包括:实验方面,制备了体积分数分别为0.0125%、0.025%、0.05%和0.1%的ZnO-水纳米流体,以纯水为基液对照,通过机械搅拌和超声均质实现稳定分散;实验系统包含加热水箱、泵、流量计、差压计、T型热电偶及具有翅片结构的换热器,模拟强制对流换热工况,测试进口温度40-80°C、体积流量5-11 LPM条件下的热工水力性能。建模方面,基于60组实验数据,以雷诺数(Re)、纳米颗粒体积分数(φ)和温度(T)为输入,努塞尔数和对流换热系数为输出,构建了ANN和PINN两种预测模型;PINN模型在损失函数中嵌入基于无量纲传热量的物理约束,通过数据损失与物理损失的双重训练机制提升预测性能,经256种网络架构的超参数优化筛选后,最终确定2层16神经元的PINN最优结构。

关于雷诺数(Re)的影响研究得出:随着ZnO纳米颗粒体积分数增加,雷诺数先升至临界值后趋于平稳或下降,0.025%为临界浓度;所有温度和流量下,添加ZnO纳米颗粒均使雷诺数增加,在0.025%时达到最高,超过该阈值后因黏性力增幅超过惯性力增幅而下降;进口温度升高使黏度降低、雷诺数增大,流量增加则使雷诺数相应提高。

关于热流量(·Q)的影响研究得出:在所有流量和进口温度下,热流量随纳米颗粒浓度增加先增后减,0.025%为转折点;5 LPM流量、40°C进口温度时,纯水热流量为365.41 W,0.025% ZnO-水纳米流体为600.02 W,相对增强64.20%,而80°C时仅增强5.46%;11 LPM、40°C时,纳米流体热流量755.18 W相对纯水524.78 W增强43.90%,80°C时增强8.22%;浓度超过0.025%后,由于黏度和密度上升形成更厚更致密的热边界层,导致热流量显著下降,布朗运动带来的微对流和颗粒间碰撞传热无法抵消高浓度下的黏度剧增和团聚效应。

关于对流换热系数(h)的影响研究得出:变化趋势与热流量一致,0.025%为最佳浓度;5 LPM、40°C时,纯水h为139.54 W·m-2·K-1,0.025%纳米流体达437.90 W·m-2·K-1,增强213.81%,而80°C时仅增强4.16%;11 LPM、40°C时,纳米流体h为634.63 W·m-2·K-1相对纯水366.76 W·m-2·K-1增强73.04%,80°C时增强19.39%;超过0.025%后,黏度增加引起的流动阻力增大和湍流强度抑制导致换热系数下降。

关于努塞尔数(Nu)的影响研究得出:变化规律与换热系数一致;5 LPM、40°C时,纯水Nu为12.17,0.025%纳米流体为38.15,增强213.48%,80°C时仅增强16.80%;11 LPM、40°C时,纳米流体Nu为58.77相对纯水31.97增强83.83%,80°C时增强33.81%;高浓度下的努塞尔数下降可归因于层流或低雷诺数条件下团聚效应加剧导致的纳米颗粒迁移率降低和有效粒径增大。

关于压降(ΔP)的影响研究得出:压降随纳米颗粒浓度增加而单调上升,与进口温度呈负相关,与体积流量呈正相关;偏移条纹翅片通过反复重新初始化热边界层、产生热入口区域来强化传热,但纳米颗粒加入后有效黏度上升导致壁面剪切应力增大、速度边界层减薄,从而加大压降;水射流切割的换热器横截面检查未发现明显结污或沉积。

关于PINN和ANN模型预测效果研究得出:PINN模型在训练数据和全数据集上的预测表现均优于ANN模型,优势在数据集边界(输入参数最大和最小值处)尤为明显;PINN的换热系数预测R2为0.9167,ANN为0.8354;PINN的努塞尔数预测R2为0.8697,ANN为0.7901;PINN的物理损失函数在训练过程中有效确保了理论约束的正确施加,训练和验证物理损失在早期快速下降后趋于准稳态,两曲线紧密贴合表明模型未出现过拟合,物理约束起到了有效的正则化作用。

在讨论部分,研究人员将实验发现的物理机制与文献进行了对比分析。热强化至0.025%临界浓度的现象,与Sardarabadi等关于ZnO/水纳米流体通过改善基液热物理性质显著提升能源系统热性能的实验结论一致;高浓度下性能衰退表明黏畜力和团聚效应超过了导热优势,与Ben Hamida等关于纳米颗粒体积分数增加导致黏度和密度显著上升的多目标优化评估结果相吻合。PINN模型在预测拐点方面的能力超越了传统数据驱动技术,Khan等虽有效利用ANN优化热参数,但本研究表明纳入物理守恒定律的PINN方法能更全面地阐释基础传热现象,尤其在准确表征紧凑式换热器中从层流到过渡流非线性转变方面具有优势。

研究结论部分指出:实验结果表明,添加ZnO纳米颗粒可在0.025%体积分数临界浓度内强化汽车散热器中的传热,超过该点后因黏度增加、纳米颗粒团聚和湍流减弱导致热性能下降,该趋势在所有测试流量和进口温度下均成立;此外,压降随纳米颗粒浓度升高而增加,但换热器内表面未发现结污或沉积。在建模方面,ANN和PINN均基于实验数据训练以预测努塞尔数和对流换热系数,PINN模型通过将物理定律融入训练过程,尤其在小数据区域展现出更优精度,使其成为数字孪生开发和热系统实时监测的有前景方法。总体而言,将实验分析与基于AI的预测模型(特别是PINN)相结合,为纳米流体换热器的热性能强化与控制提供了可靠高效的框架。
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