《Energy and AI》：Edge-cloud artificial intelligence digital twin thermal modeling for rotating sintered core heat pipes
编辑推荐：
本研究针对旋转烧结芯热管(SHP)在复杂工况下传统CFD方法计算成本高、实验方法耗时费力的问题，提出了一个基于数字孪生和边云人工智能架构的预测性热建模框架。研究人员通过Simulink平台建立了全参数化物理模型，结合实验数据训练了PINN、Transformer和LightGBM三种AI模型。结果表明，该框架预测误差在±5%以内，其中PINN在高热惯性情况下MAE最低(0.85°C)，Transformer在稳态下RMSE最优(0.58°C)且推理延迟仅150ms。通过Docker部署实现了实时边缘推理，为先进热管理应用提供了实用且可扩展的解决方案。
在精密热控制和航空航天领域，烧结芯热管(Sintered Core Heat Pipe, SHP)因其卓越的传热性能而备受青睐。然而，传统基于计算流体动力学(Computational Fluid Dynamics, CFD)的方法在预测其热行为时面临计算成本高昂、在不同工况下灵活性不足的困境，而实验方法又存在耗时费力、成本较高的局限性。特别是在涉及旋转工作的复杂环境下，热传递数据的稀缺更加凸显了现有预测模型的不足。随着现代应用对功率密度、小型化和极端工况要求的不断提高，开发兼具高精度和计算效率的预测模型已成为当务之急。
针对上述挑战，长安大学工程机械学院刘佳岚、马驰等研究团队在《Energy and AI》上发表了一项创新性研究，提出了一个基于数字孪生(Digital Twin)的预测性热建模框架，专门针对旋转工况下的烧结芯热管，并在边云人工智能(Edge-Cloud AI)架构中实现。该研究通过建立物理模型与数据驱动方法相结合的新型框架，为解决旋转热管热性能预测难题提供了全新思路。
研究人员采用了几项关键技术方法：首先利用MATLAB/Simulink平台的SIMSCAPE Fluids模块开发了全参数化数字孪生模型，能够动态模拟相变过程和温度响应；其次通过集成仿真数据和实验数据，训练了三种人工智能模型——物理信息神经网络(Physics-Informed Neural Network, PINN)、Transformer和轻量梯度提升机(Light Gradient Boosting Machine, LightGBM)；最后采用基于Docker的部署方式实现实时边缘推理，并通过TensorRT加速技术优化推理性能。
数字孪生热传递模型构建
研究团队在Simulink平台上建立了SHP的高保真数字孪生模型，将热管结构划分为蒸发器、蒸汽管道、冷凝器和液体管道四个功能模块。模型基于质量、动量和能量守恒方程，考虑了离心力效应、多相流动态和相变传热机制。通过参数化设计，模型可以快速适应不同的几何结构和运行条件，为神经网络训练生成大规模合成数据集。模型验证结果显示，仿真与实验数据的温度偏差保持在±5%以内，证明了数字孪生模型的可靠性。
热性能预测模型开发
研究团队创新性地将三种AI模型应用于SHP热性能预测。PINN通过将 governing equations（控制方程）直接嵌入损失函数，增强了模型的物理一致性；Transformer利用其强大的序列建模能力，有效捕捉时空特征；LightGBM则以其高效的计算性能适合边缘部署。训练数据集包含1250个样本，其中950个来自SIMSCAPE仿真，300个来自实验测量，确保了数据的多样性和覆盖面。
边云AI架构部署验证
研究设计了完整的边云协同架构，在NVIDIA Jetson Xavier边缘设备上部署优化后的AI模型。通过模型量化和TensorRT加速，实现了150毫秒以内的推理延迟。系统验证表明，Transformer模型在准确度(RMSE=0.58°C)、模型大小(36MB)和响应速度之间达到了最佳平衡，适合实时热误差补偿应用。
研究结论表明，该数字孪生框架成功解决了旋转SHP热性能预测的三大核心问题：通过SIMSCAPE建模降低了数据依赖性问题，利用物理约束增强了模型泛化能力，借助边云部署实现了实时推理能力。特别是在高转速(100-600r/min)和变热负荷(10-40W)条件下，框架仍能保持稳定的预测精度。
这项研究的重要意义在于首次将数字孪生概念与边云AI架构相结合，应用于旋转烧结芯热管的热建模领域，为复杂热管理系统的智能化设计提供了新范式。框架的实用性和可扩展性使其在航空航天热控制、高功率电子设备冷却等能源密集型应用中具有广阔前景，为实现"AI赋能的能源意识热系统设计"愿景迈出了重要一步。
