冰粒子恢复系数的机器学习预测模型及其在防冰工程中的应用

本文推荐：该研究通过机器学习（ML）方法构建了冰粒子法向恢复系数（CORnn）的预测模型，基于雷诺数（Re）、弗劳德数（Fr）和佩克莱特数（Pe）等无量纲参数，XGBoost模型测试集R2达93%，优于传统物理模型。研究揭示了冰粒子碰撞中粘性阻力、重力惯性及热相互作用的能量耗散机制，为航空、能源等领域的防冰设计提供了实用工具。

　　

Highlight

冰粒子碰撞行为的核心指标——法向恢复系数（COR_nn）的预测，对航空、汽车和能源系统的防冰设计至关重要。本研究通过整合五组实验数据，采用雷诺数（Re）、弗劳德数（Fr）和佩克莱特数（Pe）等无量纲参数，构建了基于XGBoost的机器学习模型，测试集R²高达93%，平均绝对误差（MAE）仅5.6%。

Empirical analysis of dimensionless numbers

图3展示了COR_nn与Re、Fr、Pe的实证关系：

• Re的影响（图3A）：高Re值（>10⁴）下，粘性阻力导致COR_nn显著下降，表明空气阻力主导能量耗散。

• Fr的效应（图3B）：Fr>1时，重力惯性力促使冰粒子破碎，COR_nn降低至0.3以下，呈现非线性衰减。

• Pe的调控（图3C）：Pe>10³时，冰表层热扩散受限，局部熔化加剧能量损失，COR_nn衰减斜率增大。

Conclusions

研究通过物理信息机器学习（PIML）框架，将XGBoost与对数线性基线模型结合，不仅提升了预测可解释性（测试R²达86%），还绘制了弹性-非弹性碰撞的工程设计图谱，为防冰涂层开发提供了量化依据。