引言
超临界二氧化碳作为一种高效功率转换和热能系统的工作流体，受到了相当大的关注。可靠预测其对流传热行为对于受热通道和紧凑式换热器的热设计以及安全运行至关重要。
在受热管中流动的超临界 CO?（S-CO?）在高热流条件下容易发生传热恶化（HTD）。当发生 HTD 时，局部对流换热系数可能会降低，壁温可能会迅速升高，特别是在高热通量和有限质量流率条件下 [1], [2], [3]。传统的努塞尔数和对流换热系数关联式通常会在恶化区域高估传热，因此不足以用于面向监测的 HTD 识别 [4]。
为了改善退化条件下超临界流体传热的描述，与热物性变化、浮升力和流动加速相关的修正项已被广泛讨论 [5], [6], [7], [8], [9], [10], [11], [12], [13], [14]。超临界流体中的 HTD 长期以来一直与伪临界物性变化和流动改性的耦合效应有关 [6], [7], [8], [9], [10], [11], [12], [13], [14], [15], [16], [17], [18]。在伪临界温度附近，密度、比热容、粘度和导热系数的快速变化可能会改变近壁面输运并影响湍流产生。与伪沸腾相关的解释也被用于解释超临界 CO? 边界层中 HTD 的起始和发展 [19]。在垂直受热管中，浮升力和加速效应可能会进一步改变速度和温度场，特别是在相对较低的质量流率和高壁面热通量下 [6], [7], [8], [11], [12], [13], [14]。这些研究表明，浮升力和热加速的相对作用取决于运行和热状态，而不是遵循固定的贡献比例。
近壁面热物性分层和湍流改性为 HTD 提供了额外的视角。直接数值模拟表明，即使排除平均纵向加速，密度和粘度分层也能显著改变湍流剪应力、湍流强度和湍流动能产生 [17], [18]。最近的研究进一步表明，M 形速度分布并不唯一地与退化相关 [20]，而伪沸腾和高热流实验表明，物性变化、浮升力和热加速可能在退化过程的不同阶段或轴向区域变得重要 [19], [21], [22], [23], [24], [25]。因此，HTD 更适宜被视为热物性变化和流体动力学效应耦合的依赖于工况的结果，而不是单一参数的后果。
一个密切相关的问题是 HTD 临界条件和轴向起始点的定义。超临界 CO? 对流换热已使用经验和半经验关联式进行了广泛研究，因为伪临界区域附近的强物性变化可能导致传热增强、正常传热或恶化，这取决于运行条件 [1], [2], [4], [26], [27], [28], [29], [30]。经典关联式在正常传热条件下提供有用的参考值，但由于强热物性变化，它们在伪临界区域和高热流条件下的适用性变得有限 [1], [2], [4], [26], [27]。
相应地，提出了物性修正关联式以及浮升力或加速相关准则，通常通过 Bu、Ac 或 BuAc 等组合形式参数来表达，以表征易发生退化的条件 [7], [10], [31], [32], [33], [34], [35], [36], [37], [38], [39], [40]。针对向上圆形管中的超临界流体，也开发了无量纲起始关联式，但其适用性仍然取决于底层数据库和选定的退化定义 [35], [36], [37], [38], [39], [40]。然而，目前仍缺乏普遍认可的用于 HTD 识别的点态准则。实验研究还表明，不同的识别方法可以为边缘和非典型热响应分配不同的 HTD/正常传热状态或起始位置 [41], [42], [43], [44], [45]。正常传热和 HTD 之间的界限仍然取决于管几何形状、流动方向、压力水平、质量流率、热通量以及选定的参考准则。最近，数据驱动方法被越来越多地应用于超临界流体传热预测和 HTD 相关评估。Xiao 等人 [46] 开发了一种基于机器学习的方法，用于预测垂直向上管中的 HTD，展示了数据驱动方法在起始评估方面的潜力。神经网络、梯度提升模型和其他机器学习方法已被用于估算 HTC 或 Nu，并显示出在可用训练数据范围内比传统关联式更好的插值能力 [46], [47], [48], [49], [50], [51], [52], [53], [54], [55], [56], [57]。Li 等人 [55] 进一步使用可解释机器学习和 SHAP 分析来检查超临界流体传热预测中的特征效应。这些研究表明了数据驱动模型在捕捉超临界流体中非线性传热行为方面的潜力。
然而，大多数现有的数据驱动研究仍然将该任务制定为连续 HTC 或 Nu 回归。这种制定方式对于换热系数预测很有用，但它不直接提供 HTD 发生标签或起始位置，而这些对于面向监测的应用很重要。此外，面向回归的模型通常使用全局运行参数或点态局部特征进行训练，而壁温、主体温度和传热行为的轴向演化并不总是被明确地作为序列处理。序列学习方法提供了一种保留热力水力变量轴向发展的方法，而不是将单个测量位置独立处理 [58], [59]。同时，参考关联式引导的正则化可以在训练期间引入软正常传热先验，而不被解释为对控制方程的直接强制执行 [60], [61], [62]。因此，部分上游轴向分布用于 HTD 发生检测、准则导出的起始估计以及面向区域的解释的组合使用仍然相对未被探索。
本研究解决了三个相关问题。首先，建立了一种基于准则的过程，从实验传热分布中识别 HTD 发生和轴向起始，并检查了结果分类对退化阈值的敏感性。其次，使用准则引导的多分支框架来检查部分上游热力水力分布是否包含足够的信息用于 HTD 检测和准则导出的起始估计。第三，使用面向机制的后分析来检查准则导出的起始、最大壁温位置和主体伪临界状态之间的轴向关系，并使用条件特征归因来评估模型信息使用如何随着浮升力相关和加速相关区域的变化而变化。进一步使用了 SCUOL 模型开发数据库之外的已发布实验分布进行外部验证。
