
-
生物通官微
陪你抓住生命科技
跳动的脉搏
基于可解释机器学习框架的碳纤维增强聚合物复合翅片结霜厚度预测研究
《Scientific Reports》:Data-driven and interpretable modeling frameworks for frost accumulation during natural convection on polymer composite fins
【字体: 大 中 小 】 时间:2026年09月27日 来源:Scientific Reports 4.9
编辑推荐:
摘要传热表面结霜仍是制冷、低温系统及高效热管理领域面临的关键挑战。对于碳纤维增强聚合物复合翅片(CFRPCFs)而言,由于其独特的热物性参数会改变结霜生长动力学,与常规金属基体相比,准确预测霜层厚度(FLT)尤为重要。由于现有经验关联式难以捕捉复合材料基体特有的高度非线性传热
传热表面结霜仍是制冷、低温系统及高效热管理领域面临的关键挑战。对于碳纤维增强聚合物复合翅片(CFRPCFs)而言,由于其独特的热物性参数会改变结霜生长动力学,与常规金属基体相比,准确预测霜层厚度(FLT)尤为重要。由于现有经验关联式难以捕捉复合材料基体特有的高度非线性传热与传质机制,本研究构建了可解释的机器学习框架以模拟自然对流条件下的霜层厚度。基于包含\(\:356\)组观测数据的实验数据库,采用物理启发的无量纲输入变量构建了四种模型,即支持向量机(SVM)、人工神经网络(ANN)、径向基函数神经网络(RBFNN)和自适应模糊推理系统(ANFIS),并通过贝叶斯优化进行参数调优。所开发的RBFNN模型展现出优越的预测能力,其学习集和验证集的均方百分比偏差(MAPD)分别为\(\:1.07\text{\%}\)和\(\:2.06\text{\%}\),相较于文献中的经验关联式有显著提升。分组九折(按工况进行)交叉验证协议通过迭代留出完整运行工况的方式,验证了模型对未知运行状态的强泛化能力;同时,适用域分析确认了模型在实验参数空间内的可靠性。关键在于,本研究整合了沙普利加性解释(SHAP)方法以解决这些模型的黑箱问题。模型归因的特征重要性模式与已建立的结霜生长机制在定性上具有一致性。本工作为复合材料翅片上霜层厚度的预测提供了一种高精度、高稳定性且具备物理可解释性的框架,为先进热材料的建模确立了可靠的模板。