基于机器学习的流体对流换热特征预测研究

时俊杰¹, 张天成^{2, 3},  方杰¹,  白冰²（通讯）,  雷宏武²,  魏恒飞¹,  李鑫¹

1.北京低碳清洁能源研究院/煤炭开采水资源保护与利用全国重点实验室，北京　102211

2.中国科学院机构武汉岩土力学研究所/岩土力学与工程安全全国重点实验室，湖北 武汉　430071

3.中国科学院大学机构，北京　100049

摘 要:

        流体出口温度（Tw2）和对流换热系数（h）是评价裂隙内流体对流换热特征的2个重要指标，但试验获取以上数据的成本高昂，数值模拟计算复杂耗时，难以满足大批量快速预测的需求。此外，现有公开的h公式在计算时可能出现负值或数值震荡等异常现象，缺乏稳健性。为此，文章以提出性能更加稳健的h公式、开发高效的机器学习代理模型、实现Tw2和h的高精度快速预测为目的，并比较了关键控制参数的作用效果。首先通过理论推导提出新的h表达式，并与现有公式对比以验证其可靠性；随后，选用极限梯度提升算法（XGBoost）、轻量级梯度提升树（LightGBM，GBM）、随机森林（random forest，RF）、支持向量机回归（support vector regression，SVR）等4种不同集成策略的算法分别对Tw2和h进行建模，并通过均方根误差、平均绝对误差等6项指标对模型进行评估比较；最后，通过特征重要性分析，量化不同参数对Tw2和h的影响程度。结果表明：新的h公式计算稳定，不会出现负值或数值震荡等异常情况，优于现有公式；XGB算法和SVR算法分别在对Tw2和h的预测上表现最优，R2均大于0.95；外围温度（To）是影响Tw2的决定性因素，而流速（u）、裂隙开度和外围温度（To）共同主导h的变化。文章提出的h公式能够克服部分现有公式的缺陷，为对流换热计算提供可靠的工具。同时，开发的机器学习模型能够在高精度的前提下实现Tw2和h的快速批量预测，显著提升了计算效率。

支持单位：