机器学习驱动的降膜蒸发器表面气泡行为检测与追踪技术及其对传热性能的深层解析

本研究针对降膜蒸发器中气泡形成行为难以量化分析的难题，开发了一种基于YOLO11架构的机器学习视觉检测与追踪模型，实现了对高温工况下气泡动态的高精度识别（mAP50达99.2%）与行为追踪（MOTA值达98.36），首次揭示了气泡出现率、面积增长率与雷诺数、饱和压力的定量关系，为工业热泵系统的优化提供了突破性的可视化分析工具。

　　

在吸收式热泵系统中，降膜蒸发器是实现高效能量转换的核心部件，其性能直接决定系统整体能效。传统研究多集中于通过表面改性与操作条件优化来提升传热效率，但对蒸发过程中气泡生成行为的量化分析仍存在显著空白。气泡动力学不仅影响传热效率，更与干斑形成、流动稳定性等关键问题密切相关。现有可视化研究多局限于定性观察，缺乏对气泡形成、生长和破裂过程的精确量化手段，这极大限制了理论模型的验证与工业应用的优化。

为攻克这一难题，研究团队构建了高温降膜蒸发实验系统，采用内径12.7 mm的光滑管束，在热源温度85–94°C、膜雷诺数65–550、饱和压力27–56 kPa的宽工况范围内进行实验观测。通过高分辨率摄像设备捕捉管表面气泡行为，并创新性地引入基于YOLO11框架的机器学习模型，实现气泡的自动检测与多目标追踪。该模型通过超参数优化与注意力机制增强，在678次训练迭代后达到mAP_50–95=88.0%的检测精度，并对未训练视频仍保持65.61的MOTA值（IoU_thres=0.9）。研究进一步提取气泡出现率（B_ap）、气泡面积（B_a）和寿命等参数，深入解析其与操作条件的关联机制。

关键技术方法主要包括：1）搭建高温降膜蒸发实验台，采用PT100温度传感器与电磁流量计精确测量热工参数；2）基于YOLO11架构构建气泡检测模型，集成C3k2模块与空间注意力机制提升小目标识别能力；3）应用BoT-SORT算法实现多气泡实时追踪，结合卡尔曼滤波预测运动轨迹；4）通过不确定性分析与Kline-McClintock方法验证数据可靠性。

研究结果揭示了一系列重要现象。在膜雷诺数影响方面，发现过渡雷诺数存在于107（32 kPa）和165（45 kPa）附近，此时传热系数达到峰值。气泡出现率随雷诺数增加而降低，低雷诺数下薄液膜导致局部过热引发剧烈核化。热通量分析表明，管侧入口温度从85°C升至94°C时，热通量提升61%，气泡出现率增长5.6倍，证实高温促进核态沸腾。饱和压力实验显示，压力从26 kPa升至55 kPa时，气泡寿命由62.6 ms延长至146 ms，但热通量下降73%，表明低压条件下高过热度显著强化沸腾。通过追踪模型成功量化气泡动态行为，发现气泡面积分布范围达129–1862 mm2，且存在明显的周期性形成-破裂循环。

研究结论明确指出了气泡动力学与传热性能的内在联系：低饱和压力与高膜雷诺数促进气泡快速脱离，增强传热；而长气泡寿命虽增加气液接触面积，但过度覆盖可能抑制液膜更新。该模型不仅为降膜蒸发过程提供了前所未有的量化洞察，更为工业热泵系统的智能监控与优化控制奠定了技术基础。论文发表于《Results in Engineering》，其方法学框架可扩展至多相流可视化分析、能源设备优化等多个领域，具有重要的工程应用价值。