基于物理知识的神经网络框架,用于快速准确地预测微通道散热器中的纳米流体热传递现象

《Frontiers in Physics》:Physics-informed neural network framework for fast and accurate nanofluid heat-transfer prediction in microchannel heat sinks

【字体: 大 中 小 】 时间:2026年04月29日 来源:Frontiers in Physics 2.1

编辑推荐:

  摘要 引言:随着电子和光子学中的功率密度接近热极限,需要基于物理知识的、数据效率高的微通道冷却替代方案。然而,设计工作流程仍然依赖于经验相关性或计算成本高昂的模拟。本研究旨在提供一种快速、可解释、物理一致且可靠的预测器,用于预测纳米流体微通道中的传热系数、压降和热点温度。 方

  摘要

引言:随着电子和光子学中的功率密度接近热极限,需要基于物理知识的、数据效率高的微通道冷却替代方案。然而,设计工作流程仍然依赖于经验相关性或计算成本高昂的模拟。本研究旨在提供一种快速、可解释、物理一致且可靠的预测器,用于预测纳米流体微通道中的传热系数、压降和热点温度。

方法:我们开发了一个基于物理知识的混合神经网络,该网络在Kaggle仓库中整理的超过10,000条记录上进行训练,这些记录被视为编译后的异构操作条件响应对,具有有限的案例级可追溯性。该框架使用来自纳米流体混合规则和滑移相关描述符的物理约束输入,并在操作条件空间中优化了一个综合损失函数,该函数结合了数据不匹配、降阶守恒残差惩罚和边界条件不一致惩罚。为了丰富稀疏区域,通过采样可接受的条件并仅保留满足约束检查的可行样本,应用了物理一致的合成增强。

结果:所提出的模型优于强大的基线模型,在测试集上实现了平均绝对误差11.3、均方根误差18.4和决定系数0.96。物理一致性审计显示98.7%的可行性,残差幅度低,边界违反率低。推理分析在GPU上大约需要15.7毫秒,在CPU上需要120毫秒进行单样本评估。

讨论:结果支持使用基于物理知识的学习作为纳米流体微通道应用中快速设计筛选的可靠替代方案。该框架减少了对重复高保真模拟的依赖,同时报告了残差和边界指标以及预测准确性。然而,在工业部署之前,仍需要受控的硬件测试平台验证。

1 引言
现代电子和光子系统正迅速接近热极限[1]。数据中心、3D堆叠芯片、电动汽车和高功率激光模块中的功率密度不断增加,导致局部热流达到1?2MWm?2的范围,即使短暂的热点也可能引发节流、加速老化和灾难性故障[2]。传统的空气冷却散热器,即使采用强制对流,也无法在不产生过大占地面积、声学噪声和能源开销的情况下散发热量[3]。因此,设计师越来越多地采用液冷微通道散热器,这些散热器在紧凑的尺寸下提供高对流系数[4],但引入了难以系统优化的热流体-液压权衡[5]。早期基于水或介电流体蚀刻在硅基板上的微通道冷却器相比空气冷却有显著改进,但当通道宽度低于100 μm时,性能提升趋于饱和[6]。压降急剧上升,单相对流变为扩散限制,仅靠几何优化无法跟上热流的增长[7]。通过将高导电性纳米颗粒(如Al2O3、CuO、石墨烯和TiO2)分散到基础液体中制备的纳米流体冷却剂被引入以克服这一瓶颈[8]。据报道,在适度颗粒负载下,对流热传递的增强通常归因于布朗运动、热泳和微对流[9]。然而,由于可靠性、复杂性和设计风险问题尚未解决,纳米流体微通道散热器在商业硬件中仍然很少见[10]。本工作中使用的代表性矩形微通道散热器几何形状如图1所示。

图1 矩形微通道散热器的示意图,其中通道宽度为wcwc,壁厚为wwww,通道高度为HcHc,基板尺寸为LL、WW和HH。

一个主要障碍是缺乏能够将操作参数(如雷诺数、颗粒浓度、纵横比和入口温度)映射到性能指标(包括传热系数、压降和热点温度)的预测性、设计就绪的模型[11]。从宏观通道外推的经典相关性可能会误预测微观尺度和纳米颗粒驱动的效果,而高保真CFD通常不适用于广泛的设计空间探索[12]。试错实验同样受到限制,因为它速度慢、成本高,并且容易受到分散不稳定性、污染和测量噪声的影响[13]。这些限制减缓了创新周期,并阻碍了工业应用[14]。这种建模差距也影响了系统级别的经济性和可持续性[15]。操作者过度设计泵、冷却器和冷却回路以应对热不确定性,从而增加了能源和成本[16]。在应力测试期间出现瞬态热点时,制造和鉴定工作流程会面临产量损失,而安全关键平台可能在意外热失控的情况下遭受保护性关闭[17]。实际上,缺乏可靠的预测工具导致了保守的设计,牺牲了性能裕度和效率[18]。应对这一挑战需要建模范式,这些范式在保持传输物理真实性的同时,仍能进行计算上可行的设计空间探索[19]。

基于这一背景,我们提出了一个以基于物理知识的神经网络为中心的混合实验-数值框架,用于微通道散热器中的纳米流体热传递[20]。参考数据包括从公共Kaggle仓库中整理的超过10,000条记录,并将其视为来自先前研究的编译后的参考观测值[21]。由于此类仓库通常提供的案例级可追溯性有限,并且汇总了异构协议,我们避免将整个表格解释为单一的、统一验证的实验活动;相反,我们应用了数据集质量控制,包括单位协调、范围筛选、异常值过滤和与已建立物理趋势的一致性检查,并在保留的测试分割上评估性能[22]。

1.1 PINN公式化范围
我们开发了一个物理规则化的替代模型,它将标量操作描述符(如热物理性质、雷诺数和纳米颗粒体积分数)直接映射到标量热流体-液压输出(即传热系数、压降和热点温度)[23]。通过在训练损失中加入降阶和参数约束来强制执行物理规律,这与表格化微通道数据集的结构相匹配,使得无需空间解析标签即可快速进行设计筛选[24]。

为了扩展参数覆盖范围并提高对雷诺数和纳米颗粒体积分数(高达3%)的泛化能力,我们引入了物理一致的合成增强,该增强通过采样可接受的操作条件并保留满足所述守恒和边界约束的合成案例[25]。除非在专门的CFD部分明确说明和验证,否则这种增强应被视为物理一致的数值采样,而不是求解器验证的CFD基准测试[26]。

该流程进一步整合了基于物理的特征构建、复合损失设计、针对强数据回归器的基准测试、事后可解释性以及通过模型导出、量化和延迟-吞吐量分析进行的部署导向评估[27]。除了准确性之外,我们还通过量化守恒残差和边界条件满足情况以及在稀疏和噪声条件下的鲁棒性来评估物理可靠性[28]。这对于设计工作流程很重要,因为在这些工作流程中,热安全裕度和压降惩罚取决于物理上合理的外推,而不仅仅是固定数据集内的插值[29]。

虽然我们包括了面向部署的评估,但我们并不声称模型可以立即集成到商业冷却硬件中。相反,我们报告了模型大小和推理性能作为未来嵌入式采用的实用指标。特别是,仅使用CPU的单样本延迟可能显著高于GPU延迟,如果没有硬件加速和运行时优化,可能无法满足严格的实时要求。

1.2 贡献
因此,本研究做出了以下贡献:
- 基于物理的特征构建:我们引入了基于混合规则和滑移相关机制的纳米流体感知工程描述符,以编码已知的传输趋势并减少样本复杂性。
- 物理规则化的学习目标:我们制定了一个复合训练损失函数,它结合了数据不匹配与降阶守恒和边界一致性惩罚,从而产生适用于表格化操作条件响应数据的物理规则化。
- 物理一致的合成增强:我们通过约束过滤的合成采样扩展了稀疏设计空间的覆盖范围,并在相同的物理可接受性要求下进行分布检查,与参考观测值进行对比。
- 面向部署的配置文件,具有实际的约束:我们评估了模型在各种硬件目标上的可导出性和推理延迟及吞吐量,明确区分了CPU和GPU的性能,并概述了实时筛选可行的条件。

本文的其余部分组织如下。第2节回顾了微通道冷却、纳米流体热流体学和基于物理知识的机器学习的先前工作。第3节详细介绍了所提出的框架,包括数据集构建、数学基础、特征工程、基于物理知识的公式化、评估指标、可解释性工具和部署流程。第4节展示了预测准确性、物理合规性结果、与基线的基准测试以及跨硬件目标的性能分析。第5节在实际设计约束下解释了研究结果,并概述了对两相情况的扩展。最后,第6节总结了关键贡献和未来方向,包括领域自适应的基于物理知识的模型和用于实时热控制的闭环优化。

2 相关工作
本节总结了关于微通道冷却、纳米流体、数值建模和基于物理知识的替代方案的先前工作,并阐明了我们的方法有何不同。

2.1 微通道冷却的早期发展
微通道冷却作为一种利用液体流通过狭窄通道来散发高热流的有效方法而出现[30]。早期使用小于100 μm通道的单相研究展示了在紧凑尺寸下的高传热系数[31]。后续工作研究了通道宽度、纵横比和阵列布局如何影响压降和努塞尔数,这些研究通过发展中的流动和共轭热扩散的分析处理得到了支持[32]。这些研究确立了关键的几何缩放趋势,同时反复强调了一个核心限制:随着通道变窄,压降惩罚迅速增加,所需的泵送功率也随之增加[33]。

2.2 作为增强冷却剂的纳米流体
通过将1 nm–100 nm的颗粒分散到基础液体(如水或乙二醇)中,纳米流体被引入以超越传统冷却剂的导电极限[34]。据报道,有效热导率的提高促使它们被用于高流量冷却,随后对宏观和微通道中的对流性能进行了广泛评估[35]。尽管许多研究报告了努塞尔数的提升,但也记录了粘度引起的压降增加以及包括稳定性、聚集和表面相互作用在内的实际问题[36]。微通道的结果进一步表明,性能强烈依赖于流动状态和限制条件,颗粒动力学可能会偏离经典的相关性假设[37]。

2.3 数值建模和先进的通道架构
数值建模成为分析微通道中耦合热流体-液压行为的核心[38]。三维共轭模拟强调了基板传导、流形效应和入口分布不均的重要性,这些是降阶模型经常忽略的[39]。对于纳米流体,采用了混合和两相公式来表示颗粒-流体耦合以及颗粒大小、浓度和停留时间对性能的影响[40]。同时,通道架构扩展到了直通道之外,包括波浪形通道、针翅插入物和分叉或分形网络,这些增加了表面积并破坏了热边界层[41]。这些方向可以带来显著的改进,但它们也使得设计空间变得高维、非线性且难以全面探索[42]。

2.4 替代模型和基于物理知识的学习
不断上升的实验和模拟成本促使了用于设计和优化的替代模型的出现[43]。基于响应表面、多项式拟合和克里金法的经典替代模型减少了穷尽性扫描的需要,但往往在训练范围之外表现不佳,并且提供的物理保证有限[44]。深度学习替代模型在训练后能够快速进行推理,但它们通常需要大量数据,并且在监督稀疏或噪声较大的情况下可能会产生非物理预测,这是纳米流体微通道数据的常见情况[45]。基于物理知识的神经网络通过将守恒定律和边界条件嵌入训练中来缓解这一问题,提高了数据效率并限制了外推[46]。

2.5 与先前基于物理知识和混合方法的定位
先前的基于物理知识的传热研究通常遵循要么以配置点为主的方程优先训练(实验监督有限),要么是在CFD标签上训练的模拟监督替代模型(在推理过程中不强制执行守恒[47]。对于纳米流体微通道,仍然存在覆盖异构操作条件、在噪声数据下的边界满足鲁棒性以及面向部署的报告方面的实际差距[48]。我们的框架通过将编译后的参考观测值与物理一致的合成增强相结合,并通过复合目标强制执行控制方程和边界条件来弥补这些差距,同时报告物理合规性指标和预测准确性[49]。

2.6 以往研究中的边界条件合规性报告
在基于物理知识的传热研究中,边界满足情况通常通过残差范数或定性图表间接报告,很少有工作在稀疏或噪声条件下提供明确的边界违反率[50]。为了支持更清晰的比较和设计可靠性评估,我们报告了所提出模型和基线的边界违反率以及残差统计信息,并解释了它们对筛选决策的影响[51]。如表1所总结的,我们的框架解决了先前工作中确定的关键限制。

表1 领域、典型范围和方法

| 领域 | 方法 |
|-----------------|-------------------|
| 微通道冷却 | Dh~10, Dh~10-200μm |
| | 200?μm, Re~10, Re~10-103 |
| | 103, q′′~10, q″~10-500?Wcm?2 |
| | 500?Wcm?2 [30, 31, 52] |
| 经验Nu | Nu;发展/共轭模型 [32] |
| | 物理规则化的替代模型(S1, S8) |
| | dp~1, dp~1-100nm |
| | 100?nm, ?~0.1 |
| | ?~0.1-6% [35, 36] |
| | 属性模型 + 测试;Δp和稳定性问题 [37] |
| | QC + 物理约束(S2-S6) |
| | 用于稳健的外推 |
| CFD & 架构 | 3D共轭;流形/分布不均;波浪形/针翅/分形 [39, 41] |
| | FVM;混合/E-E纳米流体模型 [40] |
| | 物理一致的合成增强,低成本覆盖广泛范围 |
| 替代模型 & PINN | 训练集 102, 102-104 | 104;ms推理 [43, 45] |
| | RSM/克里金;DL替代模型;PINN/PIML [44, 46, 47] |
| | 基准测试 + 合规性指标 + 部署分析 |
| | BC合规性报告 | BCs通常隐含;明确的违反率较少 [50, 51] |
| | 残差范数;定性图表 [50] |
| | 报告模型和基线的BC违反率 + 残差 [49] |

3 方法论
本节介绍了完整的流程,并阐明了物理规则和从数据中学习的内容。本文从第3.1节的参考数据和质量控制开始,然后在第3.3节定义了物理原理和学习目标,最后在第3.4至3.6节描述了评估方法、基准线和实施细节。我们将基于物理原理的特征构建与物理规则化的学习过程分开,以便能够将物理惩罚的效果与仅基于数据的基准线进行隔离。

3.1 数据集描述
本小节定义了用于监督学习和物理一致性检查的参考数据。我们使用了托管在Kaggle上的Nanofluid数据集[53],该数据集提供了超过一万个包含热物理属性、纳米粒子和基础流体描述符、粒子装载量、入口温度以及与流动相关的变量的表格记录。该数据集的广泛性支持在各种操作条件下的学习,而以下控制措施降低了在异构监督下出现非物理拟合的风险。在表5之前总结了数据集的覆盖范围动机,该表将此资源与其他公共纳米流体表格进行了比较。

3.1.1 真实来源审计和数据集可追溯性
本小节记录了可以直接从发布的Kaggle工件中验证的信息,以及在缺乏可追溯性时如何处理记录。目标是避免暗示实验来源的统一性,并为将记录分类为可追溯的实验数据、可追溯的数值数据、已验证的数据,或不可追溯的编译数据和未知数据制定保守的规则。在表2之前列出了可重复性标识符,这些标识符用于重现本工作中使用的确切快照,包括数据集slug、文件名和访问元数据。

表2
字段 数据集slug vimalsingh69/nanofluid-dataset-for-htc
数据集URL Kaggle链接 2021年,最新更新于2026-02-18
使用的文件 nanofluid_dataset_for_htc.csv
访问日期 2025-08-14
Kaggle数据集元数据,用于来源和可重复性审计

3.1.2 Kaggle参考数据的物理性质和来源
本小节说明了在本研究中如何解释参考表。每条记录都被视为一个报告的操作条件和响应对,可能来源于实验、经过验证的数值研究或文献汇编。因此,该数据集被视为异构的编译参考观测值,而不是单一的受控实验活动。当存在可追溯性标识符时,记录会根据其报告的来源进行分组;否则,它们会被保守地标记为未知来源。在表3之前总结了来源类别的使用和合成增强方法,并报告了Kaggle派生记录的作用以及用于规则化的物理一致合成子集的作用。

3.1.3 使用Kaggle数据的理由和限制
本小节阐述了选择Kaggle数据的原因,并指出了影响解释的限制。公共数据集支持可重复性和更广泛的比较,但它们可能混合了不同的协议、几何形状和报告标准。在这项工作中,Kaggle表格提供了训练覆盖范围,而物理约束减少了在稀疏或不均匀区域下的非物理拟合。剩余的风险包括研究间的偏差、不一致的几何定义、单位不一致性和未知的测量不确定性。

3.1.4 质量控制、预处理和一致性检查
本小节定义了在任何分割或交叉验证之前应用的质量控制措施。这些规则集中在单位标准化、可行性筛选、重复值处理和稳健的异常值处理上。在表4之前总结了所应用的检查。

表4
检查 标准 动作 目的
单位一致性 强制使用标准单位 避免混合尺度
物理有效性 U,Re,μ,k,ρ,cp>0 确保所有单位一致
压力降缩放 0≤?≤100%; 0≤T≤1200 确保压力降在合理范围内
去除非物理行 删除非物理行;审查极端情况 避免极端情况
缺失值 无缺失的HTC数据;限制预测因子间隙 保持数据完整性
中位数或众数插值 插补缺失的目标 保持数据一致性
异常值处理 在IQR或稳健MAD阈值之外进行Winning 处理异常值

表5提供了数据集规模和特征覆盖范围的背景信息,以说明本工作中选择的数据集的合理性,并强调了为什么所选资源适合用于带有流动变量和热物理描述符的物理规则化替代学习。

表5
数据集名称 样本数量 应用领域
Nanofluid数据集(HTC [53] 10,000+ 热属性和流动变量 热传递系数预测
Nanofluid热传递数据集 [54] 10,000+ 热物理属性 一般纳米流体热分析
Nanofluid实验数据集 [55] 3,000+ 导电率和粘度 材料表征
比较了公开可用的纳米流体相关数据集

3.1.5 可重复的分割指数、随机种子和工件发布
本小节确保分割可以精确重建并审计是否有数据泄露。我们固定了一个分割种子,并在缺少行ID时使用稳定的行标识符或哈希键导出训练、验证和测试索引。表6之前列出了推荐的文件,并列出了能够精确重建Dtr、Dval和Dte的工件。

表6
工件 文件 内容
分割种子 seed.txt 用于重现分层分割和交叉验证洗牌的整数种子
训练索引 strain_ids.csv 分配给Dtr的行ID或稳定哈希键
验证索引 val_ids.csv 分配给Dval的行ID或稳定哈希键
测试索引 test_ids.csv 分配给Dte的行ID或稳定哈希键
分组ID group_ids.csv 用于分组泄漏检查的列ID和组ID
分割重建和泄漏审计的可重复性工件

3.2 仅使用训练数据的伪代码分割构建
以下伪代码说明了预处理是在每个折叠内的仅训练数据子集上进行的,然后应用于相应的验证子集。
```python
set_seed SEED
idx_tr, idx_val, idx_te = stratified_split_data
ratios [0.6, 0.2, 0.2]
key_vars [Re, phi, Tin]
for fold in KFold:
idx_tr + idx_val
k = 5
shuffle = True
seed = SEED
scaler.fit(X[fold.train]
Xtr = scaler.transform(X[fold.train]
Xva = scaler.transform(X[fold.val]
train_model = Xtr, y[fold.train]
validate(Xva, y[fold.val]
final_model = retrain_on(idx_tr + idx_val)
report_metrics(final_model, idx_te)
```

3.2.1 Kaggle参考表的验证策略
本小节描述了将表中的预测和选定子集与独立物理预期对齐的检查。我们使用方程2-6验证混合规则的一致性,使用方程1验证趋势一致性(例如在可比条件下的NuNu的单调行为),并使用方程8验证压力降缩放。额外的验证来自稍后报告的物理残差和边界违规指标。

3.2.2 物理一致的合成增强和样本验证
本小节描述了如何生成合成样本以扩展稀疏区域,而不将其视为真实值。通过采样ReRe、??、TinTin和有效属性模型的可接受组合来生成合成案例,然后仅保留满足第3.3节中的可接受性约束和第3.3.2节中的降阶检查的案例。在没有专门的CFD求解器研究的情况下,这种增强被解释为基于约束的数值采样。

3.2.3 合成样本的验证
合成样本通过可行性检查、趋势一致性检查、压力降缩放一致性、基于相关性的基准测试和分布对齐进行筛选。在表7之前总结了验证门,并列出了用于接受合成样本进行训练规则的验证测试。这些检查确保增强不会主导第3.1节中的实证参考记录。

图2提供了增强和验证阶段的流程级视图,并将接受的合成集与第3.3节中的训练目标联系起来。

图2
图2描述了第3.2.2节中提到的物理一致合成增强和验证的流程。流程从经过审计的参考表开始,接着是可接受的设计空间采样、属性模型约束、合成样本生成和验证门。接受的合成样本被纳入训练集以进行基于物理的规则化,而被拒绝的样本则被重新采样或调整。

3.3 所提出框架的数学表示
本小节定义了无量纲组、混合关系、控制方程和用于物理信息学习的复合损失。在方程1之前定义了无量纲量。雷诺数和努塞尔特数定义为:
```math
Re = ρV/Dhμ, Nu = hDh/kf
```
(1)
方程1提供了用于解释操作条件、约束检查和基准比较的组织变量。方程2为纳米流体热导率提供了有效介质估计,用于属性一致性。
```math
keff = kf + 2kf + 2?(kp?kf)
```
(2)
方程2确保在增加装载量时预测的导电率趋势保持有界且物理上合理。方程3捕捉了随着粒子装载量的粘度增长,并支持压力损失一致性。
```math
μeff = μf(1??)?2.5
```
(3)
方程3将??与粘性惩罚联系起来,并通过方程1影响ReRe。方程4定义了用于特征构建和可接受性检查的布朗扩散和滑移速度形式。
```math
DB = kBT3πμdp,vslip = DT ?TT + DB ??
```
(4)
方程4提供了促进在稀疏数据下物理对齐的外推的物理派生描述符。方程5定义了用于惯性和压力降计算的混合密度。
```math
ρnf = (1??) ρf + ? ρp
```
(5)
方程5随着装载量的变化调整惯性,并支持一致的压力降缩放。方程6定义了用于能量传输一致性的体积热容。
```math
(ρcp)nf = (1??) (ρcp)f + ? (ρcp)
```
(6)
方程6提供了当??变化时基础流体和粒子贡献之间的平滑过渡。方程7提供了用于基于趋势的验证检查的相关性。
```math
Nunf = Nuf[(μnfμf)(ρnfcp,nfρfcp,f)]
```
(7)
方程7在匹配条件下提供了一个紧凑的基准,用于一致性检查。方程8定义了用于将压力降与几何形状关联的达西-魏斯巴赫形式。
```math
ΔP = f LDh ρnf V^2
```
(8)
方程8支持热液力权衡分析和降阶压力降残差。

3.3.1 替代输入输出映射和模型预测
本小节说明了主模型使用的监督映射。替代映射将标量操作描述符映射到热传递系数(HTC)作为主要的监督输出。压力降(ΔP)和热点温度(Tmax)被视为通过方程8、9中的降阶关系计算出的辅助热液力量,并用于物理一致性规则化。物理约束是通过降阶参数约束来实施的,而不是学习完整的空间场。为了完整性,物理基础系统在第3.3.3节中给出。

3.3.3.2 训练中使用的降阶物理约束
本小节定义了用于物理规则化的标量约束。我们使用方程1确保hh和NuNu之间的一致性,使用方程8进行压力降缩放,使用方程2-6确保有效属性的一致性,并使用方程9进行热流耦合。这些约束减少了在异构监督下的非物理外推。牛顿冷却定律在方程9之前给出。
```math
q′′ = h(Ts?T∞)
```
(9)
方程9将报告的热通量和温度与替代输出中使用的对流系数联系起来。为了实施降阶约束,我们直接在标量量上定义残差。特别是,方程10定义了与努塞尔特数相关的残差,方程11定义了与压力降相关的残差,方程12定义了与有效热导率相关的残差,方程13定义了与有效粘度相关的残差。
```math
rNu = Nu(?hθ)??hθDhkf,
rΔP = ?ΔPθ?f(Re,geom)
```
(10)
方程11
rk = ?keff,θ?kfkp+2kf+2?(kp?kf),
rk = k?eff,θ?kfkp+2kf+2?kp?kf,
```
(12)
方程12
rμ = ?μeff,θ?μf(1??)?2.5
(13)
只有与预测量或确定性关系匹配的残差被包括在内,选定的闭合集在表12中报告。

3.3.3.3 物理约束中使用的控制模型和边界条件
本小节说明了用于指导降阶约束的物理基础系统。内部约束是方程14-16,边界和界面条件包括方程18、17以及入口和出口条件。连续性在方程14之前给出。
```math
??u = 0
```
(14)
方程14定义了基础模型中的质量守恒。动量守恒在方程15之前给出。
```math
ρ(u??)u = ??p+μ?2u
```
(15)
方程15将惯性、压力梯度和粘性扩散联系起来。能量守恒在方程16之前给出。
```math
ρcp(u??T) = keff?2T
```
(16)
方程16将平流和扩散联系起来,并使用方程2中的keff。共轭热流连续性在方程17之前给出。
```math
?ks?T?n∣∣solid = ?kf?T?n∣∣fluid
```
(17)
方程17确保界面能量一致性。无滑移运动学在方程18之前给出。
```math
u = 0atwalls
```
(18)
方程18定义了基础模型中使用的壁面运动学条件。完整的物理基础在方程19之前给出。
```math
?? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?所有模型使用的监督数据损失在方程30之前给出:
Ldata = 1/N ∑_{i=1} ||yi ? ??θ(xi)||^2
(Ldata = 1/N ∑_{i=1} (yi ? ??θ(xi))^2)
(30)
方程30定义了仅使用数据的回归器所采用的基线目标。复合目标在方程31之前给出:
L = λdataLdata + λphysLPDE + λBCLBC
(L = λdataLdata + λphysLPDE + λBCLBC)
(31)
其中λdata、λphys和λBC是根据第3.4节中的协议在验证数据上选定的。在降阶实现中,LPDE和LBCLBC是使用第3.3.2节中的标量残差集和第3.3.5节中的操作化方法来实例化的。

**3.3.5 操作化细节:配置点采样、残差计算和执行**
本节规定了如何采样配置点以及如何计算和执行残差。

**3.3.5.1 操作条件空间XΩ中的配置点**
内部配置点是在可接受的操作条件域上采样的,而不是在空间网格上。我们使用拉丁超立方采样、LHS或标准化变量上的分层均匀采样,并定期重新采样配置点,以避免对固定集合的物理惩罚过度拟合。内部预算|XΩ|在表12中报告。

**3.3.5.2 边界点XΓ和降阶边界执行**
边界点对应于操作条件域的面,例如?→0、Re的界限和入口温度限制,以及极限情况约束,例如当?→0时纳米流体还原为基流体。对于每种边界类型,我们每步采样一个固定预算并计算相应的残差。边界预算在表12中报告。

**3.3.5.3 残差计算**
降阶残差是使用方程1–6从预测的标量输出和确定性关系代数计算得出的。量值与训练归一化一致缩放,以防止单位造成的损失项主导。

**3.3.5.4 约束执行策略**
约束是通过在方程31中定义的复合损失中包含的软惩罚来执行的。当应用输出重新参数化以保证预测量的正性时,相应的转换在表12中记录。损失权重是通过验证扫描或分阶段调度策略选定的,采用的策略在表12中报告。图3可视化了第3.3.5节中描述的操作条件域内的内部和边界采样分布。该图将采样策略直接与复合目标中包含的残差分量联系起来。

**图3**
通过操作条件空间中的内部和边界采样实现物理约束(第3.3.5节)。标准化域(Re, ?, Tin,…)使用内部拉丁超立方样本XΩ和域面上的边界样本XΓ进行采样,并将残差映射应用于物理和边界约束项。

**3.3.5.5 所提出的PINN与传统仅使用数据的回归器的区别**
所提出的模型最小化方程31中的复合目标,而基线回归器仅最小化方程30中的数据损失。因此,结果报告了预测误差和物理合规性,包括残差范数和边界违规率。为了量化预测质量,我们使用方程32之前定义的指标和方程33中的相对百分比误差。标准回归评估指标定义为:
MAE = 1/N ∑_{i=1} |yi ? ??yi|
MSE = 1/N ∑_{i=1} (yi ? ??yi)^2
RMSE = √MSE
R2 = 1 ? ∑_{i=1} (yi ? ??yi)^2 / ∑_{i=1} (yi ? ??i)^2
(32)
方程32为所提出的模型和基线一致定义了误差和拟合优度度量。
相对百分比误差定义为:
RPE = 100/N ∑_{i=1} |yi ? ??yi|
(33)
方程33提供了一个用于跨目标比较的标准化误差摘要。为了可解释性,我们使用方程34和35之前定义的SHAP属性、局部敏感性和显著性。Shapley值公式在方程34中给出:
?i = ∑_{S?F} {i} |S|! / (|F| ? |S| ? 1)! |F|![fS∪{i}(xS∪{i}) ? fS(xS)]
(34)
方程34定义了用于事后可解释性的特征属性。局部敏感性、基于熵的信任度和梯度显著性在方程35中定义:
Si = ?y?i/?xi, T = 1 ? H(p)logK
Si = ?y?i/?xi, FLOPs = 2?Nlayers?N neurons
(35)
方程35定义了与准确性指标一起使用的可解释性和复杂性指标。延迟、内存占用、压缩加速和量化影响定义为:
L = Total Execution Time / Number of Inferences
M = LbaselineLoptimised = 1/N ∑_{i=1} ||??y(i)full ? ??y(i)quant||
(36)
方程36定义了用于在不同运行时目标下评估可行性的部署分析指标。

**3.4 评估协议**
本小节定义了训练、选择和报告过程,同时防止在异构数据下的泄漏。数据集使用分层分割分为Dtr、Dval和Dte,以保持关键流动和热分布。分割使用固定的随机种子,并按第3.1.5节描述的方式导出索引。训练和验证子集被合并用于五折交叉验证,用于模型和超参数选择,而保留的测试集在最终报告之前保持不可见。

**3.4.1 保留的测试集保证和泄漏预防**
保留的测试集Dte在交叉验证、超参数调整、方程31中的损失权重选择或预处理选择期间不使用。所有转换仅在每个折叠的训练数据上拟合,然后应用于相应的验证折叠。如果存在源标识符,则以分组方式执行分割,以便来自同一来源的记录不会跨分割。表8总结了评估流程执行的泄漏检查,确保报告的测试性能反映了无偏评估。

**表8**
潜在的泄漏源
- 在所有数据上执行的缩放或归一化
- 仅在训练折叠上执行
- 在每个CV折叠中查看
- 仅用于最终评估的测试集
- 模型选择后的重复

**3.4.2 为什么同时使用分割和交叉验证**
交叉验证在异构数据下稳定模型选择,而保留的测试集在所有选择固定后提供最终的无偏估计。表9总结了用于选择和最终报告的评估阶段和指标。同时明确了每个数据子集的使用时间和哪些指标驱动选择。

**表9**
阶段 | 数据子集 | 程序 | 指标
--- | --- | --- | ---
初始分割 | Dtr, Dval, Dte | 分层分割,使用固定种子和导出索引;交叉验证
Dtr∪Dval | 五折CV用于PINN和基线模型
逐折叠MAE, RMS, RMSE, R2 | 选择平均RMS最低的配置
验证折叠 | 选择最低的RMS的配置
最终报告 | 在保留的测试集上评估选定的模型 | MAE, RMS, RMSE, R2, RPE

**3.5 基线模型和超参数**
本小节定义了用于背景化的物理正则化替代模型的基线。我们评估了随机森林、XGBoost和全连接多层感知器。所有基线都使用与第3.3节中提出的模型相同的工程特征集,并且仅最小化方程30中的监督损失。超参数使用第3.4节中的交叉验证协议进行调整。表10报告了基线模型的调整搜索空间和停止逻辑,并定义了用于避免不公平基线选择的可比调整预算。

**表10**
模型 | 搜索范围 | 预算 | 停止规则
--- | --- | --- | ---
随机森林 | 200-1000个估计器;最大深度无或10-40;最小样本分割2-10;最大特征数sqrt, log2, 0.5-1
XGBoost | 学习率0.01-0.30;最大深度3-10;子样本0.6-1.0;按树采样0.6-1.0
多层感知器 | 隐藏层和宽度;激活函数relu或tanh;学习率10?4
早期停止基于验证RMSE

**表11**
总结了调整后的保留基线配置。

**3.6 框架实现和伪影**
本小节总结了可复制的训练、验证、可解释性和分析循环,并将其映射到报告的伪影。实现集成了第3.3.2-3.3.5节中定义的监督拟合和物理正则化。特征提取遵循方程1–6和方程4.3。

**3.6.1 实现细节**
为了支持可复制性,表12报告了架构规格、优化设置、配置点预算和损失权重配置。该表汇总了在指定协议下复制训练和分析所需的参数。

**表12**
组件 | 设置 | 值/注释
--- | --- | ---
模型类型 | 标量替代模型 | 输入:物理约束的操作描述符和工程特征;输出(h, ΔP, Tmax)
架构 | MLP全连接 | 均质全连接网络;每层的层数、神经元数量和激活配置
正则化 | Dropout和权重衰减 | MC-dropout用于不确定性;?2正则化系数0.01
优化器 | 基于梯度的批量优化,配置学习率和调度
批量大小 | 监督批次 | 批量训练策略
训练周期 | 最大周期1500,带有早期停止策略
物理权重 | 复合损失L = Ldata + λphysLPDE + λBCLBC;比率λPDE/λdata = 1.8
权重策略 | 固定 | 在λPDE/λdata = 1.8时的平衡机制
配置点采样 | 内部点XΩ;通过配置点采样执行PDE残差
边界采样 | 边界点XΓ;Dirichlet、Neumann和Robin边界执行
残差集 | 降阶约束 | 连续性、动量和能量残差;共轭通量连续性、牛顿冷却和无滑移条件

**软件**
库 | 基于SHAP的可解释性;ONNX导出和量化流程
硬件 | 在CPU、GPU、Jetson和TPU平台上使用ONNX FP32和INT8进行训练和推理

**算法1**
定义了控制增强、训练、评估、可解释性和分析的程序循环。它将数据覆盖、物理正则化和部署评估连接在一个统一的工作流中。

**图4**
将流程阶段映射到表9中总结的评估阶段。图5强调了通过方程31定义的复合目标在物理派生特征构建和物理正则化学习之间的分离。

**图4**
从原始数据到分析和部署的流程架构高级流程图。
**图5**
详细组件图,显示了模型架构、推理和可解释性流程。

该框架通过结合第3.1节中描述的异构参考数据、第3.2.2节中验证的增强和第3.3.2-3.3.4节中明确的约束执行,实现了物理一致的替代模型建模。报告整合了方程32和31中定义的预测误差和物理合规性,以及方程36.4中定义的面向部署的分析指标。

**4 结果**
本节报告了多变量结构、预处理效果、训练和物理合规性、基线基准测试、可解释性和部署分析。第4.1节介绍了低维结构,第4.2节总结了特征动态和增强行为,第4.3节报告了优化和合规性诊断,第4.4节针对基线进行了基准测试,第4.5节报告了可解释性和信任证据,第4.6节总结了分析和量化结果。

**4.1 多变量结构、线性依赖性和低维表示**
本小节将探索性结构与物理解释和第3.3节中定义的建模量联系起来。本节中使用的变量解释基于方程37,该方程定义了从电压和电流得出的电功率代理:
Pin ≈ V×I
(37)
方程37中的代理支持对功率驱动加热的一致解读,从而将电压、电流、温度和压力与热流体行为以及第3.3节中使用的无量纲定义对齐。表13总结了分析变量的中心趋势、分散度、相关结构和主成分分解。报告的结构激发了意识到共线性的预处理和正则化,因为耦合的电和热变量否则会在使用第3.3节中定义的指标测量的下游回归误差中增加方差。

**表13**
统计摘要和相关结构
- 统计摘要
| 电压 | 电流 | 温度 | 压力 |
| 3.5 | 10.4 | 4.2 | 2.9 |
| 18.2 | 3.5 | 8.9 |
| 18.2 | 3.5 | 8.9 |
| 18.2 | 3.5 | 8.9 |
| 18.2 | 3.5 | 8.9 |
| 18.2 | 3.5 | 8.9 |
| 18.2 | 3.5 | 8.9 |
| 18.2 | 3.5 | 8.9 |
| 18.2 | 3.5 | 8.9 |
| 18.2 | 3.5 | 8.9 |
| 18.2 | 3.5 | 8.9 |
| 18.2 | 3.5 | 8.9 |
| 18.2 | 3.5 | 8.9 |
| 18.2 | 3.5 | 8.9 |
| 18.2 | 3.5 | 8.9 |

**图6**
使用PCA和t-SNE可视化低维结构,并支持在模型训练之前使用基于投影的视图进行探索性验证。该图表明,一小部分潜在方向捕获了数据中的主导方差,而观察到的非线性分离模式表明了组合驱动的效果,补充了线性摘要。

**图7**
使用PCA和t-SNE可视化低维投影,支持在模型训练之前使用基于投影的视图进行探索性验证。图7通过可视化用于指导特征筛选的完整相关结构,支持使用稳定的缩放和保守的交互处理,以防止学习阶段过度拟合相关预测因子。

**图7**
关键热物理特征的Pearson相关热图。报告的结果支持继续进行培训和基准测试,同时将数据集视为异构的编译证据,而不是单一的受控实验集。表14列出了各项指标的测试结果:Nu-Re缩放一致性、匹配子集内的Spearman相关性、估计的ρ值约为0.65,表明存在正向单调关联;派生量的可行性为98.7%;如果存在压力降代理变量,则压力-流量符号一致性得到验证;使用方程8中的派生压力降代理变量ΔP进行评估(Kaggle数据集中未提供ΔP标签);交叉分割稳定性测试显示|Δρ|≤0.05,表明漂移很小;异常值应力测试显示噪声扰动下的误差为3.8%。还对Kaggle数据集应用了基于物理的合理性检查。

4.2 预处理、特征动态和流动驱动行为
本小节报告了预处理效果、代表性的工程化描述符以及增强数据的真实性,这些内容支持第3.6节中描述的流程。表15列出了代表性的工程化特征及其统计摘要,证明了在第3.4节定义的分割中可以进行一致的缩放。报告的摘要支持使用有界变换,并且当与第3.4节中的分层协议结合使用时,可以促进稳定的训练行为。

4.2.1 预处理
- Current:0.12 ± 0.03;0.08–0.18
- RMS_Voltage:2.45 ± 0.18;2.02–2.89
- FFT_Peak_Freq:56.01 ± 2.13;0–82
- Kurtosis_Temp:3.10 ± 0.45;2.2–4.0
- Skewness_Pressure:?0.12 ± 0.05;?0.28–0.03

4.2.2 其他工程化特征
- CrestFactor_Current:3.42 ± 0.51;2.6–4.8
- SpectralEntropy_Voltage:0.74 ± 0.06;0.60–0.86
- Energy_Temp:1480 ± 2101;100–1980
- AR_Coeff1_Pressure:0.63 ± 0.07;0.48–0.76
- Slope_Trend_Temp:0.018 ± 0.004;0.009–0.027
- WaveletEnergy_Voltage:22.13 ± 3.41;5.8–29.9
- PeakToPeak_Current:6.12 ± 1.05;4.4–8.8
- IQR_Pressure:0.17 ± 0.02;0.14–0.22
- SignalToNoise_Temp:12.82 ± 2.18;8.9–16.7
- Hjorth_Mobility_Voltage:0.41 ± 0.05;0.32–0.52

图8总结了标准化的SHAP重要性,支持第3.6节中描述的训练循环中使用的特征优先级策略。这种主导模式与惯性驱动的缩放一致,并在操作制度发生变化时鼓励保守的规范化。

4.2.3 增强数据真实性
表16报告了增强数据的稳定性和合成生成的真实性,以支持覆盖范围的扩展,同时不扭曲目标分布。报告的稳定性指标鼓励在训练期间为使用的合成子集保持清晰的证据轨迹。

4.2.4 生成模态和可验证的伪影
表17记录了生成模式和相关可验证的伪影,以确保报告的合成结果与第3.1节中描述的增强策略保持一致。定义的报告字段减少了使用“CFD增强”这一术语时的歧义,并保持了合成流程的可重复性。

4.3 训练行为、物理合规性和预测诊断
本小节报告了优化行为、残差合规性、边界行为以及针对物理约束目标的诊断证据。方程38阐述了用于将监督拟合与物理约束和边界惩罚相结合的复合目标。表19记录了训练过程中的损失和对数下降情况。表20报告了预测样本、边界违规率以及稳定性诊断,将预测准确性与边界合规性联系起来。表21报告了增强后的数据生成摘要。

4.3.1 特征分布和流动剖面
本小节总结了受运行条件影响的流动剖面指标,这些指标有助于特征设计和基于运行条件的评估。首先使用方位速度视图作为流动剖面规律性的经验检查,然后通过将记录分层到雷诺数和体积分数区间来量化受运行条件影响的依赖性,最后总结运行条件覆盖范围,以指导分层诊断和配置选择。图9中的方位结构提供了规律性检查,支持稳定的增强决策,并与图9中报告的惯性预测因子的主导性一致。图11展示了随时间变化的雷诺数变异性,这作为运行条件变化的线索,用于指导后续训练中的分层诊断和物理配置。

4.3.2 物理合规性和预测诊断
本小节报告了优化行为、残差合规性、边界行为以及针对物理约束目标的诊断证据。表23引入了基准测试风格的检查,以补充之前报告的基于分布的指标。报告的结果支持从预处理验证过渡到第4.3.4节中介绍的训练诊断。

4.4 评估与比较
本小节使用第3.4节中描述的评估协议,将提出的模型与基线方法进行基准测试。表23报告了基线模型和PINN模型的回归指标以及测试集统计信息、交叉验证变异性和分类风格诊断。表24比较了不同模型的可行性、趋势一致性、边界合规性和PDE残差行为。表24的比较结果支持将观察到的性能提升解释为预测准确性和物理合规性的共同改进。

4.5 可解释性和信任
本小节报告了全局归因、信任评分和解释性诊断,用于解释性和质量控制。表25总结了全局SHAP归因和代表性的信任评分示例,支持接受和审查决策。图13展示了操作范围内的性能诊断,包括运行条件下的误差结构和决策分离性。图14展示了解释性诊断,支持解释一致性和局部细化需求。图15展示了性能诊断,包括操作范围内的误差结构和决策分离性。定义的范围使得跨设备进行一致性比较成为可能,并避免了将仅模型时的延迟与整个流程的延迟混淆。表27展示了配置项、运行时执行路径、ONNX运行时推理(FP32基线和INT8训练后量化变体)的剖析结果。热身阶段排除了最初的50次推理次数,以稳定时间测量结果。计时评估运行了500次推理,报告了中位数和第95百分位数(P95)的延迟统计信息。批量大小B=1,与实时吞吐量近似FPS≈1000/Latency(ms)一致。

表28总结了设备基准测试、量化效应以及延迟与吞吐量的缩放关系,从而将预测证据与部署成本联系起来。配对报告支持跨执行模式进行公平比较,并促使人们分析性能与批量大小的关系。

图15提供了表28的可视化对应内容,应在表27记录的测量条件下生成。该图支持联合解释延迟和吞吐量,而不是将任一指标视为另一个指标的代理。

5节讨论整合了第4节中的统计诊断、预测结果和物理一致性证据。讨论重点在于物理解释、数据集限制和合成有效性、部署现实性以及物理一致性指标的解释,这些都与常见的PINN报告实践相关。

5.1 数据集的有效性和有效性威胁
数据集托管在Kaggle上,除非有完整的实验来源信息,否则应将其视为编译后的观察结果。在没有设施细节、几何规格、壁面条件、校准信息和不确定性模型的情况下,目标可能反映了测量和后处理的混合结果。这限制了在设计空间探索中声称物理一致性替代物的有效性。因此,有效性检查被构建为第4节中报告的直接检查,包括派生量的可行性以及使用表14匹配子集时的趋势一致性(如Nu和Re的单调性关联)。表14还评估了跨分割的相关稳定性。相对于数据驱动的基线,物理一致性审计在表24中报告。

合成增强可以提高覆盖率,但如果扰动违反了支配关系所暗示的不变量,也可能引入有效性风险。如果合成变体没有严格分离,跨分割的泄漏也会提高性能。表16和表18中的基准测试用于检查合成保真度,表18和表19中的仅基于经验的基线用于归因和增广比例及种子的敏感性分析。

5.2 PINN带来的额外价值
这种贡献可以最好地解释为三种效应。首先是纯粹基于数据驱动的回归中工程化预测器的性能。其次是集成物理损失和边界强制在PINN目标中的增量效应。第三是合成作为覆盖机制的作用,它规范了稀疏状态。

表29以消融风格的形式总结了这种分离,将准确性和物理合规性联系起来。表23中的综合指标和表24中的明确合规性审计进一步强化了这一观点。

表30的统计摘要和相关结构表明,电流和温度主导了第一个主成分。这与电驱动加热一致,其中注入的功率随电压和电流变化,因此随温度升高和温度依赖属性共同变化。这种耦合传递到方程1中的雷诺数缩放和方程1中的努塞尔特目标中,这支持保留物理派生的预测器,而不仅仅是依赖自动化选择。

5.2.1 关键统计见解和特征结构
表30显示了一个紧凑的潜在结构,其中电流和温度主导了第一个主成分。这与电驱动加热一致,其中注入的功率随电压和电流变化,因此随温度升高和温度依赖属性共同变化。这种耦合传递到方程1中的雷诺数缩放和方程1中的努塞尔特目标中,这支持保留物理派生的预测器,而不仅仅是依赖自动化选择。

表23表明,PINN减少了MAE和RMSE,并提高了R2R2,同时保持了稳定的折叠行为。核心区别不仅在于准确性,还在于在扰动和状态变化下的物理一致性行为。这是由于算法1中的混合目标,其中数据拟合与PDE残差最小化和边界强制共同优化。学习到的趋势在物理上也是可解释的。速度和雷诺数对齐的预测器在内部对流中占主导地位,因为惯性和粘性缩放控制了传输。有效导热性、体积分数和热容量的相关性反映了第3.3节中 formalized 的机制。这些关系支持设计探索,平衡了对流增强与粘性驱动的惩罚。

5.3 部署限制和现实性
第4节中的剖析限定了仅使用CPU执行时的现实性。报告的CPU延迟意味着适合离线筛选和设计空间探索的低帧率操作。加速器执行和INT8变体改善了延迟,并在特定运行条件下支持接近实时的筛选。

5.3.1 对部署和责任声明的影响
导出和剖析证据支持硬件可行性评估,而不是现场部署。操作部署需要传感器集成、校准管理、运行时监控以及在污染、老化、噪声和纳米粒子稳定性变化等干扰下的验证。适当的声明是一个具有文档化计算特性的部署就绪候选模型,未来的工作将是进行现场代表性验证。

5.4 解释残差违规和改进路径
低PDE残差和低边界违规表明在采用的公式、缩放和配置采样下内部一致性。由于残差大小取决于无量纲化、变量缩放和选择的PDE项,因此不同研究之间的残差大小不可直接比较。极端状态下的残差峰值可能与强烈的属性变化、过渡行为或稀疏覆盖导致边界强制减弱有关。为了可比性,未来的修订应报告无量纲残差摘要、中位数和P95等百分位数以及在一致缩放下的标准化基准案例。这些添加将加强在更广泛的PINN文献中对合规性声明的解释。

5.4.1 局限性、鲁棒性和有效性威胁
高不确定性状态需要保守的解释,因为过渡微通道操作可能对入口效应、表面条件、聚集和温度依赖的属性变化敏感。实际的鲁棒性措施包括在高误差区域进行有针对性的采样、在陡峭梯度区域采用自适应配置密度以及通过λPDEλPDE重新加权PDE项。维度降低应继续根据第3.3节中的机械约束进行验证,以确保压缩不会扭曲物理意义上的相互作用。

表29提供了一个结构化的比较,隔离了工程化预测器、物理损失集成和合成增强的贡献。通过以消融为导向的格式呈现这些配置,表格阐明了每个组件如何影响预测准确性和物理合规性,从而支持对所提出框架所增加的增量价值的透明解释。

表31将当前研究置于代表性微通道冷却和替代模型研究的背景下,突出了方法论差异、范围以及物理信息学习和部署剖析的附加价值。

6 结论和未来工作
本研究解决了微通道散热器设计中的持续挑战,包括CFD驱动迭代的计算成本、操作状态的有限覆盖范围以及物理不一致外推的风险。开发了一个六阶段工作流程,整合了纳米流体有效属性建模、传输关系、规范的预处理和数据分割以及使用Kaggle托管的数据集进行物理信息驱动的替代学习,并进行了受控的合成增强。鉴于数据集的来源,除非有完整的实验元数据,否则应将这些记录视为编译后的观察结果。因此,主要贡献是一个在采用的公式下具有内部一致性的物理一致替代模型管道,而不是声称普遍的实验概括。

在保留的评估中,所提出的PINN在测试的基线中实现了最强的预测性能,具有较低的MAE和RMSE、较高的R2R2以及稳定的交叉验证行为。除了准确性之外,减少的PDE残差和低边界条件违规率表明与质量、动量和能量约束的合规性得到改善,特别是在与雷诺数转换相关的稀疏和非线性状态下。可解释性结果进一步强调了雷诺数和有效属性项作为主导因素,支持了对流增强与液压惩罚之间的设计相关权衡。

未来工作将优先考虑硬件测试平台验证,包括标准化的延迟报告、任何基于CFD的增强的改进文档,以及发布可复现性工件,包括代码、固定的数据分割和允许的检查点。扩展到两相沸腾、老化效应和基于不确定性的主动学习将进一步增强鲁棒性和覆盖范围。与优化和控制框架的集成将能够在动态热负荷下实现闭环设计,受现场代表性验证的约束。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号