基于级联前向神经网络和广义回归神经网络的氧化铝纳米粒子增强离子液体热物理性质建模研究

研究人员针对离子液体(ILs)热导率低的问题，采用级联前向神经网络(CFNN)和广义回归神经网络(GRNN)对Al2O3纳米粒子增强离子液体(NEILs)的热物理性质进行建模。通过贝叶斯正则化(BR)、缩放共轭梯度(SCG)和Levenberg-Marquardt(LM)算法优化，CFNN-LM模型对热容、导热系数、密度和粘度的预测平均绝对百分比相对误差(AAPRE)分别达0.2519%、0.2910%、0.0088%和0.5937%，为新能源材料开发提供了高效计算工具。

　　

在能源材料领域，传统传热流体(HTFs)正面临热效率瓶颈，而离子液体(ILs)因其低蒸气压、高热稳定性等特性成为理想替代品。然而这些"绿色溶剂"存在先天不足——热导率仅为常规HTFs的1/5，这严重制约了其在电池、燃料电池等电化学系统中的应用。为突破这一限制，科学家们尝试将氧化铝(Al₂O₃)等纳米粒子分散于ILs中，形成纳米粒子增强离子液体(NEILs)，但复杂的多组分相互作用使得传统模型难以准确预测其热物理性质。

研究人员开创性地采用两种先进机器学习(ML)算法——级联前向神经网络(CFNN)和广义回归神经网络(GRNN)，对Al₂O₃/[C₂mim][CH₃SO₃]-水二元体系的四大关键参数进行建模。研究团队从文献中整合了133组粘度、30组密度、30组导热系数和30组比热容实验数据，通过贝叶斯正则化(BR)、缩放共轭梯度(SCG)和Levenberg-Marquardt(LM)三种优化算法对CFNN进行调参，并与GRNN的预测性能进行系统对比。

数据准备
研究采用0.75IL-0.25水的二元混合物作为基础体系，该比例被证实具有最佳稳定性。输入变量设计体现创新：热容、导热系数和密度预测采用Al₂O₃质量浓度和温度双参数，而粘度预测则引入剪切速率与纳米粒子质量分数的独特组合。

预测技术
CFNN凭借其全连接层结构实现快速收敛，能精准捕捉非线性关系；GRNN则利用径向基函数处理小样本噪声数据。模型通过均方误差(MSE)和决定系数(R²)等指标验证，其中LM算法优化的CFNN展现出最优性能。

模型开发
通过试错法确定最佳网络结构：热容预测采用3-8-1拓扑，导热系数为2-9-1架构，密度和粘度分别采用2-7-1和2-10-1结构。灵敏度分析揭示Al₂O₃浓度对粘度(r=0.26)、密度(r=0.92)和导热系数(r=0.91)影响显著，而温度对比热容(r=0.74)调控作用最强。

结论
CFNN-LM模型对四大参数的预测AAPRE均低于0.6%，其中密度预测精度高达0.0088%。趋势分析证实模型能准确复现NEILs的热物理行为变化规律，杠杆法则验证了数据可靠性。该研究为MXene等新型纳米材料-ILs体系的性能预测提供了范式，其建立的ML框架可扩展到多元复杂系统建模，对加速新能源材料开发具有重要工程价值。

这项发表于《International Journal of Hydrogen Energy》的研究，通过智能算法突破了传统热力学模型的局限，其创新性体现在：首次将CFNN应用于NEILs体系；开发了针对不同热物理参数的专用网络结构；通过系统比较揭示了LM算法在纳米流体建模中的优势。这些发现为面向氢能等清洁能源系统的高效传热介质设计提供了数字化解决方案。