一种改进ANN模型参数的系统方法，用于预测微型/微通道散热器内的流动沸腾换热系数

简介：
本文提出了一种基于人工神经网络(ANN)的改进参数优化方法，专门针对微型及微通道散热器内流动沸腾过程中的传热性能进行精确预测。通过调整和优化模型内部结构与训练算法，显著提升了对复杂流体动力学和热传递现象模拟的准确性与效率，为高性能电子设备冷却技术的发展提供了有力支持。 微型/微通道散热器中的流量沸腾通常用于满足热管理系统对高散热性能的需求。然而，由于两相流体的复杂行为以及这些系统的高度热力学特性，准确预测这种流动沸腾系统中的传热系数具有挑战性。传统方法依赖于通用相关性、理论模型和计算模拟来估计传热效果，尽管其精度可能有限。最近的研究开始采用机器学习工具以更精确地预测传热性能变化。 在这项研究中，研究人员利用人工神经网络（ANN）并结合物理原理与数据驱动的综合策略来预测迷你/微通道内饱和流沸腾时的传热系数。分析过程中采用了包含16,953个实验点的数据集，这些数据来自关于流动沸腾传热现象的50多个不同来源的研究成果。 为了提高基于ANN方法的应用效果，研究人员对其输入参数和模型架构进行了全面优化调整——这是此前研究中未曾尝试过的做法。通过考察以往对流沸腾传热系数的相关性、皮尔逊相关性和互信息特征选择法等手段建立了系统化的模型参数优化方案。