U型管相变材料太阳能集热器热性能的机器学习建模与实验研究：提升光热转换效率的创新路径

本研究针对U型管真空管集热器(UETC)热性能预测难题，创新性地结合实验研究与机器学习(ML)建模，系统评估了9种算法对温度输出(T3 ,T4 ,T5 )和效率(E1 ,E2 ,E3 )的预测能力。研究发现多项式回归对温度预测最优(R2 0.95)，ANN在效率预测中表现突出(R2 0.93)，为太阳能集热系统智能化设计提供了新范式。

　　

在全球能源转型背景下，太阳能热利用技术面临效率提升瓶颈。传统U型管真空管集热器(UETC)虽具有真空绝热、被动追光等优势，但其热性能受流动速率、太阳辐照度等多因素非线性耦合影响，现有数学模型难以精准预测。更棘手的是，相变材料(PCM)的引入虽能提升储热能力，却加剧了系统热力学行为的复杂性。如何突破传统实验分析的局限性，建立高精度预测模型，成为优化集热器设计的关键科学问题。

针对这一挑战，国内研究人员开展了开创性研究。团队通过三组差异化设计的UETC系统（Set-A基础型、Set-B PCM复合型、Set-C金属网-PCM混合型），在13/10/7 LPH变流量条件下采集多维度运行数据。创新性地引入机器学习(ML)技术，系统比较了包括多项式回归、支持向量回归(SVR)、人工神经网络(ANN)等9种算法对关键参数（T₃
-T₅
温度输出、E₁
-E₃
效率指标）的预测效能。该成果发表于《Journal of Energy Storage》，为太阳能集热系统智能化设计树立了新标杆。

关键技术方法包含：1）多参数实验设计：通过三组UETC配置（空气/PCM/金属网+PCM）在7-13 LPH流量梯度下的对比测试；2）机器学习建模：采用线性/非线性共9类算法，以流量、太阳强度、入口水温、环境温度为输入特征；3）效能评估体系：基于R²
、RMSE等指标的系统性模型验证。

【Geometrical descriptions and methodology】
研究采用铜制U型管同轴封装于硼硅酸盐真空玻璃管内的经典结构，Set-C创新性地在PCM层中嵌入金属网以强化传热。实验系统配备0.5 HP水泵和精密流量计，确保7/10/13 LPH三种工况的稳定控制。

【Experimental procedure】
通过共享储水箱保证初始温度一致性，三组集热器在2023年5月连续三日进行测试，每日对应固定流量（13/7/10 LPH），集热器南向30°倾角布置，消除安装变量干扰。

【Experimental results and discussion】
数据分析显示Set-C表现最优：相比Set-B提升70.88%热水产出速度，热分层降低达84.48%。效率测试中Set-C持续领先，证实金属网-PCM协同效应能显著改善传热均匀性。机器学习建模揭示：多项式回归对T₃
/T₄
预测R²
达0.9583/0.9511；SVR对T₅
非线性特征捕捉最佳（R²
=0.9534）；ANN在效率预测中展现多层网络优势（E₂
预测R²
=0.9540）。

【Conclusion & future scope】
研究确立了ML在太阳能集热器优化中的实用价值：1）多项式回归/SVR适用于温度场预测；2）ANN/KNN更擅长效率指标建模；3）随机森林具有全参数稳健预测特性。该工作不仅为ETSC智能监控提供了算法选择指南，其金属网-PCM复合设计更为新一代储热系统开发提供了工程范本。未来研究可拓展至多PCM耦合系统及数字孪生技术集成，进一步推动太阳能热利用的智能化进程。