多射流冷却转子-定子腔的热传递预测：CFD与机器学习协同优化性能研究

研究人员针对旋转机械热管理难题，通过CFD模拟结合机器学习，系统研究了多射流冲击下的转子-定子腔传热特性。采用Ansys Fluent的RNG k-ε和RSM湍流模型，结合人工神经网络(ANN)构建预测模型，揭示了射流间距(G)与雷诺数(Rej/Reω)对局部努塞尔数(Nur)的影响规律，ANN预测R值达0.9599。该研究为涡轮机械冷却系统设计提供了新思路。

　　

旋转机械的散热问题一直是制约其性能提升的瓶颈。在燃气轮机、风力发电机等设备中，高速旋转的转子与静止定子之间形成的狭小腔体（rotor-stator cavity）会产生剧烈摩擦生热，传统冷却方式效率低下。更棘手的是，当多个冷却射流（impinging jets）与旋转流场相互作用时，会产生复杂的湍流结构（turbulent flows），使得热传递（heat transfer）过程呈现高度非线性特征。这种"旋转+射流"的复合传热机制长期缺乏精准预测手段，工程师们往往只能依赖经验公式或代价高昂的试错实验。

为攻克这一难题，摩洛哥哈桑一世大学科学技术学院（Faculty of Science and Techniques, Hassan 1st University, Settat, Morocco）的Abdellatif El hamaoui团队开展了一项跨学科研究。他们创新性地将计算流体力学（CFD）与机器学习相结合，通过Ansys Fluent软件构建了包含RNG k-ε和雷诺应力模型（RSM）的数值模型，同时训练人工神经网络（ANN）来预测局部努塞尔数（Nu_r）。这项发表在《Results in Engineering》的研究，首次系统揭示了射流间距参数G与旋转雷诺数Re_ω（2.32×10⁵-5.4×10⁵）、射流雷诺数Re_j（16×10³-50×10³）的耦合作用规律。

关键技术包括：1）采用边界层膨胀技术生成包含300万单元的适应性网格；2）应用RSM模型捕捉各向异性湍流；3）构建含10个神经元的ANN模型，输入参数包括Re_j、Re_ω、r/D和G；4）通过Levenberg-Marquardt算法优化网络训练。研究团队采集了2146组实验与模拟数据，按7:1.5:1.5比例划分训练集/验证集/测试集。

4.1 Nusselt数与ANN预测集成

通过对比RSM模拟、实验测量和ANN预测数据发现：在射流冲击区（r/D=0-0.4），Nu_r呈现双峰分布；在混合区（r/D=0.4-0.8），旋转效应导致流速剖面从Batchelor型转变为Stewartson型。ANN展现出惊人精度，测试集预测R值达0.9599，最大绝对误差<5%。

4.2 平均Nusselt数分析

当G从0.02增至0.16时，最大Nu_r提升48.6%（从380增至564）。特别发现小间距（G=0.02）下Re_j的影响更显著，而大间距（G=0.16）时旋转效应占主导。

4.3 多射流配置的Nu_r关联式

创新性提出分段关联式：对小间距（G≤0.05），Nu_r,max∝Re_j^0.33G^-0.12；中等间距（0.05<>_j^0.18G^0.05；大间距（G>0.1）则表现为Re_j^0.25G^0.15。

4.4-4.5 速度场特征

轴向速度剖面揭示：在r/D>7区域出现典型的Batchelor流型，形成双边界层结构；而r/D<5区域呈现Stewartson流型，仅转子侧存在速度梯度。当Re_ω>4×10⁵时，径向速度在间隙中部出现反向流动，形成涡旋对。

这项研究通过多尺度建模揭示了旋转射流耦合传热机制，其创新点在于：1）建立了考虑G参数影响的Nu_r预测关联式；2）验证了ANN在复杂热流耦合问题中的适用性；3）发现了间隙尺寸对流动型态转变的临界影响。该成果不仅为涡轮机械冷却设计提供了量化工具，更开创了"CFD+AI"的工程优化新范式。未来可进一步探索非均匀射流布置、相变冷却等扩展应用，推动旋转机械向更高功率密度发展。