相变材料中热质传递增强的双扩散对流研究：机器学习整合的数值模拟与优化

本研究针对相变材料(PCM)在热质传递过程中效率低下的问题，采用不可压缩光滑粒子流体动力学(ISPH)方法和XGBoost机器学习算法，系统分析了Soret(Sr)、Dufour(Du)、Darcy数(Da=10?5 -10?2 )、振幅(A=0.5-3)等参数对腔体内双扩散对流的影响。研究发现提高Sr和Du值可使热溶质扩散增强50%，而XGBoost模型能精准预测平均Nusselt(Nuavg )和Sherwood(Shavg )数，为PCM在能源存储等领域的优化提供了创新性计算框架。

　　

热管理技术正面临革命性挑战，尤其在能源存储和电子散热领域，传统相变材料(PCM)的低导热性和缓慢相变速率严重制约其应用效能。尽管纳米增强相变材料(NEPCM)通过添加高导热纳米颗粒部分解决了这一问题，但复杂腔体环境中热质传递的耦合机制仍不明确，特别是Soret效应(热扩散引起的物质迁移)和Dufour效应(浓度梯度导致的热流)等交叉现象对系统性能的影响亟待量化。此外，传统数值方法如有限元法(FEM)在处理动态边界和多物理场耦合时存在计算效率瓶颈，而机器学习在优化此类复杂非线性系统方面的潜力尚未充分挖掘。

为突破这些技术瓶颈，King Khalid University和Princess Nourah bint Abdulrahman University的研究团队在《Journal of Energy Storage》发表了一项开创性研究。该工作创新性地将不可压缩光滑粒子流体动力学(ISPH)与极端梯度提升(XGBoost)算法结合，首次系统揭示了多参数协同作用下NEPCM腔体内的双扩散对流规律。研究团队通过参数化分析发现：Soret数(Sr)和Dufour数(Du)在0.1-0.5范围内每增加0.1单位，热溶质扩散效率可提升12-15%；Darcy数(Da)从10^?5
增至10^?2
时，多孔介质渗透率变化使对流速度振幅激增60%；而振幅(A)和频率(f)参数通过调制边界条件周期性，能产生40-50%的热传递增强效果。更具突破性的是，研究构建的XGBoost模型以0.94的R²
值精准预测了Nu_avg
和Sh_avg
，其决策树结构成功解析了Ra(10³
-5×10⁵
)与E(1-10)等参数间的非线性交互作用。

关键技术方法
研究采用ISPH方法求解N-S方程，避免了传统网格法在动态边界中的重构问题；通过投影法分步求解速度-压力耦合场，结合Enthalpy-porosity模型捕捉相变界面。XGBoost模型采用100棵决策树，以均方误差为损失函数，通过网格搜索优化超参数。训练数据来自312组ISPH全参数模拟，涵盖8个关键参数在3-4个数量级的变化范围。

主要研究结果

1. Soret-Dufour效应：Sr=Du=0.5时，热流与质流耦合使Nu_avg
   达到峰值4.7，较基准值提升52%，证实交叉扩散效应对强化传质具有倍增作用。
2. 多孔介质调控：Da=10^?2
   时渗透率量级跃升引发涡流重组，速度场动能增加60%，但过高Da(>0.1)会导致热边界层破坏。
3. 动态边界影响：A=3与f=3组合产生驻波效应，使局部Nu数波动幅度达基准值的3倍，揭示周期性激励可主动控制相变速率。
4. 活化能抑制效应：E=10时反应能垒使传质效率降低30%，表明高能阈材料需额外设计催化位点。
5. 机器学习预测：XGBoost对Sh_avg
   的预测误差<4%，特征重要性分析显示Ra和N对输出贡献度合计达71%。

结论与展望
该研究通过ISPH-XGBoost混合框架，首次量化了NEPCM系统中8个关键参数的协同作用规律，特别是揭示了Sr-Du数对双扩散对流的非线性增强机制。提出的机器学习模型突破了传统CFD方法参数扫描的计算瓶颈，为相变储能装置的智能设计提供了新范式。未来工作可拓展至磁流体-相变耦合系统，或结合强化学习实现参数自动优化。这项由Abdelraheem M. Aly和Munirah Alotaibi完成的研究，不仅为《Journal of Energy Storage》贡献了方法论创新，更推动了从"试错法"到"预测性设计"的范式转变。