金属泡沫构型与深度学习驱动的相变储热系统性能优化研究

针对相变材料(PCM)导热性差导致潜热储热系统(LHTES)效率低下的问题，研究人员通过计算流体力学(CFD)和长短期记忆网络(LSTM)结合自注意力机制，系统分析了铝/铜金属泡沫(MF)的孔隙率(ε=0.90–0.95)与孔密度(ω=10–20 PPI)对储热性能的影响。结果表明，铜MF近热源布置使熔化时间缩短51.7%，储能量提升3.39%，所建深度学习模型预测温度/焓变的R2 0.997，为工业级LHTES设计提供了高效优化工具。

　　

随着全球能源结构转型加速，可再生能源的间歇性问题使热储能技术成为研究热点。其中，基于相变材料(PCM)的潜热储热系统(LHTES)因其高能量密度和等温特性备受关注，但PCM的低热导率（通常<1 W·m^?1
·K^?1
）严重制约系统效率。尽管金属泡沫(MF)增强技术能显著提升导热性能，但不同材料（如铝/铜）、孔隙率(ε)和孔密度(ω)的构型优化缺乏系统研究，传统CFD模拟又存在计算成本高、周期长等瓶颈。

针对这一挑战，国内研究人员在《Journal of Energy Storage》发表论文，创新性地将CFD仿真与深度学习相结合，首次系统探究了铝(Al)/铜(Cu)双MF分区构型对LHTES性能的影响。研究团队设计了32种MF配置方案，通过ANSYS Fluent软件采用焓-孔隙法(EPM)模拟熔化过程，并开发了集成LSTM和自注意力机制的深度学习模型，利用Optuna框架优化9项超参数，实现了对PCM温度场和焓变的高精度预测。

关键技术方法包括：1) 建立30×10 cm矩形LHTES腔体CFD模型，采用EPM处理相变界面；2) 对比Al(202.4 W·m^?1
·K^?1
)/Cu(401 W·m^?1
·K^?1
) MF在ε=0.90–0.95、ω=10–20 PPI下的热性能；3) 构建LSTM-注意力混合神经网络，通过100次Optuna搜索确定最优超参数组合；4) 采用R²
和MAPE评估模型性能。

结果与讨论

1. MF材料排序效应：Cu MF贴近热源时展现出最优性能，熔化时间缩短28.2%，总储能量提升3.39%。Al MF因热导率较低，其配置中仍存在17%的固态残留。
2. 孔隙率主导作用：ε=0.90相比ε=0.95的配置熔化时间减少51.7%，证实低孔隙率促进热传导。RC22构型熔化最快，RC24/30/32分别慢10.3%/21.5%/27.2%。
3. 孔密度弱相关性：ω在10–20 PPI范围内变化对效率影响<1%，说明孔密度非关键参数。
4. 深度学习预测效能：模型在测试集上达到R²

0.997，MAPE<3%，预测速度较CFD提升数个数量级。

结论与意义
该研究明确了LHTES系统优化级联：孔隙率>材料排序>孔密度。铜MF近热源布置配合ε=0.90构型可最大化热效率，而深度学习模型的成功应用突破了传统CFD的时空限制。Emrehan Gürsoy等提出的"CFD+AI"范式不仅为工业级LHTES设计提供理论指导，其Optuna优化的LSTM-注意力架构更为复杂传热系统的实时预测开辟了新途径。这项跨学科研究同时启示：在碳中和背景下，智能算法与新型储能材料的融合将成为能源技术创新的重要方向。