
-
生物通官微
陪你抓住生命科技
跳动的脉搏
纳米增强相变材料中有效热导率的比较机器学习建模
《Scientific Reports》:Comparative machine-learning modelling of effective thermal conductivity in nano-enhanced phase change materials
【字体: 大 中 小 】 时间:2026年08月28日 来源:Scientific Reports 4.9
编辑推荐:
摘要有机相变材料能高效储存潜热,但其较低的热导率限制了充放热速率。本研究评估了数据驱动代理模型是否能够跨异质、多源实验数据库预测热导率增强。使用线性回归、支持向量回归、随机森林、梯度提升和前馈神经网络,对来自 21 项主要研究的 150 个经过筛选的测量数据集进行了建模。目标
有机相变材料能高效储存潜热,但其较低的热导率限制了充放热速率。本研究评估了数据驱动代理模型是否能够跨异质、多源实验数据库预测热导率增强。使用线性回归、支持向量回归、随机森林、梯度提升和前馈神经网络,对来自 21 项主要研究的 150 个经过筛选的测量数据集进行了建模。目标变量为无量纲对数增强比 y?=?log10(keff/kbase),采用无预处理泄漏的十折交叉验证进行评估。梯度提升和随机森林给出了最高的平均交叉验证 R2 值,分别为 0.46?±?0.56 和 0.43?±?0.70;最低 RMSE 为 0.17,最低 MAE 为 0.10。支持向量回归和神经网络出现了过拟合,尽管训练得分很高,但交叉验证 R2 为负值。填充量和填料本征热导率是主要描述符。操作协同指数仅应用于匹配的单一和混合测量,对于亚加性配对,该指数范围为 0.65 至 0.75,而对于 GNP-MWCNT 配方则为 2.0。留一源验证将 R2 降低至约 0.05,表明该模型适用于在所代表材料族内进行筛选,但不适用于在不重新训练的情况下对未见过的源系统进行定量预测。