返回
Machine Learning-Based Correlation Framework for Flow Condensation in Horizontal Channels
DOI:10.1080/01457632.2025.2590952.png)
摘要
En 中文
本研究提出利用机器学习算法的优势,开发适用于水平光滑通道的流动冷凝模型。采用包含27种纯制冷剂的6,532个数据样本的多样化数据库,用于建立所提出的冷凝传热系数模型。基于智能设计的数学方法,将9种机器学习算法应用于该大型数据库,以提取建模对流冷凝传热系数最有利的无量纲参数。在训练好的机器学习模型中,极端梯度提升(Extreme Gradient Boosting)和深度神经网络算法提供了最佳估算结果,其决定系数(coefficient of determination)值分别为0.9874和0.9822。极端梯度提升算法(该算法产生最准确的估算结果)所提取的最具影响力的无量纲数,被用于开发流动冷凝的新型传热系数模型。该模型对应的平均绝对误差(mean absolute error)为15.92%,平均相对误差(mean relative error)为-2.38%,其预测精度显著优于文献中关于对流流动冷凝的研究结果。此外,基于排除的数据库,分析了所提出关联式预测结果的合理性,并成功验证了传热模型在数据外推(extrapolating)实验数据方面的优越性。
Keyword:
HEAT-TRANSFER CHARACTERISTICS
PRESSURE-DROP CHARACTERISTICS
IN-TUBE CONDENSATION
TRANSFER COEFFICIENT
MICROFIN-TUBE
SMOOTH TUBE
PART II
HYDROCARBON REFRIGERANTS
GENERAL CORRELATION
FILM CONDENSATION
期刊
H
IF:
1.6
论文数:
97
被引数:
4.4K
机构
引用论文
Robust and General Model to Forecast the Heat Transfer Coefficient for Flow Condensation in Multi Port Mini/Micro-Channels
Processes
IF0


