基于数据普适性原理的PCHE通道甲烷跨临界流动与传热机器学习预测研究

为解决PCHE（印刷电路板式换热器）中甲烷跨临界流动与传热的复杂工况预测难题，研究人员通过多边界条件数值模拟提出数据普适性原理，并采用ANN（人工神经网络）和LightGBM（轻量梯度提升机）模型实现高精度预测。结果表明，ANN模型的平均绝对百分比误差（MAPE）低于3%，R2 超过0.999，为清洁能源装备设计提供了智能化新范式。

　　

在全球清洁能源转型背景下，海上天然气开采与液化天然气（LNG）运输成为关键发展方向。作为LNG再气化核心装备的浮式储存再气化装置（FSRU），其紧凑型换热器（PCHE）的设计面临甲烷跨临界流动与传热工况复杂的挑战。传统经验公式难以捕捉局部参数剧烈变化，而不同边界条件下的数据孤立性进一步阻碍了通用模型的构建。针对这一难题，中国某研究团队在《The Journal of Supercritical Fluids》发表研究，通过建立数据普适性原理并融合机器学习技术，实现了PCHE通道内流动传热参数的精准预测。

研究采用三大关键技术：1）多物理场耦合数值模拟（涵盖316L不锈钢固体域与甲烷流体域）；2）基于局部边界参数相似性的数据普适性验证；3）混合边界条件数据集训练的ANN/LightGBM模型构建。通过500mm长半圆形直通道的精细化建模，系统分析了3类边界条件下的伪沸腾过程与热力学特性演化规律。

【Analysis of transcritical flow and heat transfer characteristics】
研究发现，尽管不同边界条件下通道内的传热系数与压降演变轨迹存在差异，但在局部参数（如热物性参数、流动状态）相似时会出现交叉点，验证了数据普适性原理。数值模拟揭示了甲烷在拟临界温度附近的异常传热强化现象。

【Machine Learning】
混合数据集训练的ANN模型表现出色，MAPE<3%且R²

0.999，对新工况的预测与模拟结果高度吻合。LightGBM模型在计算效率上更具优势，但精度略低于ANN。

【Conclusions】
该研究首次提出PCHE通道内跨临界流动的数据普适性原理，即局部边界参数与热物性相似时传热系数和压降相等。机器学习模型成功突破了传统关联式拟合的局限性，为FSRU等紧凑型换热器的智能化设计提供了新方法。国家自然科学基金（U23B20110、52006028）和吉林省科技发展项目（20230101338JC）的支持，彰显了该成果在清洁能源装备领域的战略价值。

研究意义在于：1）建立跨工况数据整合的理论框架；2）开发出工程适用的高精度预测工具；3）为其他超临界流体系统的机器学习建模提供范式。Rongmin Zhang与Qian Li等作者特别指出，该方法可扩展至CO₂
跨临界循环等新兴能源系统优化领域。