.png){kind=icon}
返回
Explainable data-driven modeling for convective heat transfer
.png){kind=icon}
OA
AI
DOI：10.1016/j.csite.2026.108296.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
自然对流在从换热器到高功率电子设备的热系统中对能量传输起着关键作用。尽管计算流体动力学（CFD）模拟能提供高度精确的预测，但由于可靠热传递分析所需的广阔参数空间，它们在计算上成本高昂。人工智能（AI）可作为代理建模方法，然而传统的神经网络（ANNs）虽然准确，常被视为黑箱。为克服此局限，我们开发了一种可解释的数据驱动模型（DDM），其生成显式数学方程将输入参数与目标输出关联。本研究聚焦于含双挡板且内部有热生成的倾斜多孔环形腔内三元复合纳米流体的磁对流。通过CFD模拟，通过改变挡板厚度（ ）、挡板间距（ ）、腔体倾斜角（ ）、哈特曼数（ ）、达西数（ ）和内部热生成/吸收（ ）生成了用于代理建模的数据集。ANN和DDM模型均能准确预测平均努塞尔特数，但DDM在训练时间大幅减少的情况下实现了更高精度。基于网络的解释揭示了参数间的相互依赖性，影响层级与特征向量中心度和敏感性分析相符。这表明我们提出的模型不仅捕捉了复杂的输入-输出关系，还遵循了控制物理规律。我们进一步确定了针对每个哈特曼数的优化参数集以提高系统效率。本研究建立了一个符合物理、基于方程的代理建模框架，提供快速、经济的热分析，为下一代高效、精确且可解释的热系统的发展奠定基础。
Keyword:
Data-driven model
Magneto-convective flow
Thermal performance optimization
Eigenvector centrality
Baffle configuration
Annular enclosure
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
IF:
6.4
论文数:
8.2K
被引数:
2.6W
机构
引用论文
Discovering governing equations from data by sparse identification of nonlinear dynamical systems通过非线性动力系统的稀疏识别从数据中发现控制方程OAAI
OAAI分享收藏Effect of solid/porous finned system on cooling of heat-generating element in a cavity filled with non-Newtonian nanosuspension and bottom heat-conducting substrate.png)
Energy
EnergyIF0
PREAI
分享收藏
查看更多内容