基于物理信息的神经网络在潜热热能存储系统的多目标设计优化中的应用

《Journal of Energy Storage》:Physics-informed neural networks for multi-objective design optimization of latent heat thermal energy storage systems

【字体: 大 中 小 】 时间:2026年05月07日 来源:Journal of Energy Storage 9.8

编辑推荐:

  韩光宇|洪成国|安泰镇|金基正|戴杰伟|郑哲宰|李东炫|金秉锡|文秀贤 韩国能源研究院能源ICT研究部门,大田,34129,韩国 **摘要** 设计潜热热能储存(LHTES)系统在计算上非常昂贵,因为这依赖于耗时的计算流体动力学(CFD)模拟。本研究通过开发一种混合

  韩光宇|洪成国|安泰镇|金基正|戴杰伟|郑哲宰|李东炫|金秉锡|文秀贤
韩国能源研究院能源ICT研究部门,大田,34129,韩国

**摘要**
设计潜热热能储存(LHTES)系统在计算上非常昂贵,因为这依赖于耗时的计算流体动力学(CFD)模拟。本研究通过开发一种混合物理信息神经网络(PINN)框架来解决这一瓶颈问题。该PINN由一个0D集总电容物理模型控制,并仅使用15个经过验证的共轭传热(CFD)仿真数据集进行训练。由此产生的数字孪生模型表现出极高的拟合度,决定系数(R2)超过0.999,与真实数据非常吻合。然后,这个经过验证的瞬时替代模型与非支配排序遗传算法II(NSGA-II)相结合,进行了全面的多目标设计优化(MODO)。优化过程自主地处理了热力水力之间的权衡,同时最大化总释放热量(Qtot)和平均功率(Pavg),同时最小化泵送功率(Wpump)。最终得到的平衡最优设计在全局帕累托前沿上与最佳基线设计(Flat-22)的热性能相匹配,同时还减少了泵送功率。本研究展示了一种强大的PINN驱动框架,它将LHTES设计过程从缓慢的手动评估转变为快速、自主的连续设计空间探索,从而能够发现整体优化的解决方案。

**引言**
全球建筑行业的脱碳已成为当务之急,加速了向电气化、增强电网互动性和广泛整合可再生能源的转变。在这一过程中,热能储存(TES)系统是关键的技术基础。在现有的选项中,利用相变材料(PCMs)的潜热热能储存(LHTES)系统具有独特的优势。它们提供更高的能量储存密度,并且能够在近乎恒定的温度下储存和释放大量的热能,这是稳定热管理所必需的属性[1]。LHTES的潜在影响巨大;先进的优化框架已被证明可以将供暖和制冷能耗降低高达45%[2]。尽管如此,LHTES的实际应用仍受到设计、建模和控制方面的挑战的限制。主要障碍是控制物理过程的复杂性。熔化和固化的瞬态非线性传热动力学与流体动力学的耦合难以准确和高效地建模。因此,系统设计和优化传统上依赖于两种主要方法:(a)迭代物理原型制作和(b)高保真度、基于物理的数值模拟。

物理实验虽然提供了必要的真实数据,但资源密集且通常仅限于实验室规模的验证。例如,有些研究使用接触指技术结合多个热电偶来开发用于实时熔化分数预测的机器学习模型[3],或者在新型翅片管换热器上进行缩比实验以表征其性能[4]。另一方面,高保真度的数值方法如计算流体动力学(CFD)能够捕捉复杂的物理现象。这些详细的、经过验证的数值模型对于进行参数研究和评估复杂几何形状(如壳管系统)的性能指标至关重要[5]。然而,这些方法在计算上非常耗时。研究往往使用CFD输出作为更快模型的训练数据[6],这间接表明CFD本身对于需要数千次设计评估的优化循环来说太慢。这一计算瓶颈是实现最佳LHTES设计的最大障碍。

为了规避这一计算成本,研究界越来越多地转向基于数据的替代模型,尤其是基于机器学习(ML)的模型,来预测LHTES动态。这些模型擅长从数据中学习复杂的输入输出关系,能够近乎即时地预测关键性能指标。这一趋势十分明显,许多研究利用经过验证的CFD数据训练人工神经网络(ANN)模型来优化复杂的翅片结构[7]。然后,这些基于ML的替代模型与非支配排序遗传算法(如NSGA-II或III)结合使用,以找到无需重复高保真度仿真就能获得的最优壳管设计[8]。还包括其他多种ML架构的成功应用,例如非线性自回归网络(NARX)[9]、堆叠集成模型[10]、长短期记忆网络(LSTMs)[11]、GA调优的BP神经网络[12],以及用于太阳能热水加热等应用的ML方法[13]。然而,这些传统的ML模型并非万能解决方案。作为黑盒预测器,它们的准确性和可靠性在很大程度上受到训练数据范围和质量的限制。当在训练集中未涵盖的推估范围或动态条件下运行时,其预测能力可能会显著下降[3]、[10]。认识到这一局限性,一些研究人员开始创建混合模型。例如,Saikia等人的NARX模型明确纳入了物理信息特征(尽管不是基于完整偏微分方程(PDE)的损失函数),以增强其对实验数据的鲁棒性[9]。这一趋势突显了对既快速又在物理上一致模型的明确需求。

此外,准确预测仅仅是成功的一半;要释放LHTES的经济和环境价值,还需要智能控制。只有在积极管理LHTES系统以应对动态电价、波动的可再生能源发电和可变建筑负荷时,其优势才能落到实处。关于先进控制策略的研究已经取得了令人印象深刻的成果(尽管这些成果是基于模拟的)。Yang等人使用模型预测控制(MPC)框架发现,简单的反应性(开/关)控制器会增加能源成本,而他们的价格响应型MPC利用主动潜热储存(ALHS)模型则将电费降低了70%以上[14]。这表明预测控制不仅有益,而且必不可少。同样,Rahimpour等人将近似动态规划(ADP)应用于这个问题,证明了其在实时能源管理中的计算效率[15]。

ML还直接应用于控制策略。Cooney和Carey开发了一种新型的多温度、多模块(MTMM)TES集成系统,使用通过遗传算法训练的ANN控制器来选择最佳流体流动路径并比较控制策略[16]、[17]、[18]。这种基于ANN的控制策略使能量损失减少了约60%,并且与基线系统相比,出口温度提高了10°C[17]。与此同时,深度强化学习(DRL)已被用于整个建筑的供暖、通风和空调(HVAC)控制[19],并且结合贝叶斯优化后,可以优化1500种建筑轮廓下的PCM性能,从而实现节能[2]。

除了预测之外,越来越多的文献将数值模拟与数据驱动的优化相结合,以直接改进LHTES设计。在结构方面,El Mghari等人[20]使用三维瞬态CFD研究了带有纵向翅片的三级级联LHTES单元,表明级联PCMs和翅片的组合将熔化时间减少了45.17%,充电效率提高了77.95%,优于单级配置。Jiang等人[21]评估了翅片布局对壳管LHTES在热源波动条件下的充电性能的影响,发现翅片高度是影响热存储率和密度的关键几何参数。最近,这些结构优化挑战通过AI驱动的框架得到了解决。Vaferi等人[22]使用ANN结合遗传算法优化了一种新型的管架式LHS设计,可调节PCM体积,充电效率提高了120%以上。同一团队[23]将这种方法扩展到带翅片的管式储热罐,将基于ANN的预测模型与帕累托多目标优化结合,以最小化多熔化阈值下的充电时间。这些研究共同强调了朝向混合CFD-ML设计框架的趋势,而当前的PINN基方法通过将控制物理直接嵌入替代模型中,为这一趋势做出了贡献。

对这些预测和控制方法的全面回顾突出了阻碍实际应用的持续挑战。主要的 metodological 挑战在于建模方法。该领域主要受到计算成本高昂的高保真度物理模型(如CFD)[5]与计算效率高但可能不稳定或在物理上不一致的黑盒替代模型(如ANN、NARX)[7]、[8]、[9]、[10]之间的权衡限制。尽管结合物理信息特征的混合方法正在出现[9],但用于LHTES设计的物理信息神经网络(PINNs)的开发和应用仍然很大程度上未被探索。这是一个关键的遗漏,因为PINNs直接将控制PDEs嵌入神经网络的损失函数中,非常适合模拟瞬态相变传热——这一点在多项研究中被指出是未来的关键方向[9]、[16]、[17]。

对计算上方便但不经过验证的模型的依赖直接导致了第二个关键问题:验证。大多数高性能控制研究,包括基于MPC、ADP、DRL和ANN控制的研究,几乎都是通过基于模拟的验证来证明其有效性[2]、[14]、[15]、[17]。因此,大规模实验或实际现场试验数据的严重缺乏,导致先进控制策略的模拟潜力与其实际应用之间存在显著脱节。

本研究直接解决了这些建模挑战中的第一个也是最根本的问题。为此,我们利用基于先前工作中的实验框架开发的经过实验验证的三维瞬态共轭传热(CFD)模型,建立了一个高保真度的真实数据集[24]。为了说明这一瓶颈的严重性,本研究中使用的经过验证的3D瞬态共轭传热模型[24]在多核工作站上每个案例需要几小时到几天的时间,具体取决于管材几何形状和操作条件。因此,生成本研究中使用的15个案例的数据集耗用了数百个CPU小时。更为关键的是,通过NSGA-II进行的多目标设计优化(MODO)通常需要评估数千到数万个候选设计,跨越多个世代。直接将CFD求解器与NSGA-II结合将需要数万个CPU小时的计算资源,使得彻底探索设计空间在实际上不可行。这种高保真度模拟的评估成本与进化优化算法的评估需求之间的根本不匹配,是开发计算上即时但物理上一致的替代模型的主要动机。

然后,这些经过验证的数值数据被用作稀疏训练集,用于开发和验证PINN框架。这种PINN模型将控制ODEs直接嵌入其损失函数中,旨在弥合高保真度物理与高速替代模型之间的差距。它被设计为快速、物理上一致的数字孪生模型,大幅降低了完整CFD模型的计算成本,同时保持了高精度。这项工作中的关键下一步是将这个经过验证的PINN模型与多目标优化算法(NSGA-II)集成。本文从方法论上研究了这种集成的AI基设计框架,探讨了其自主高效探索复杂多维设计空间的实用性。我们特别分析了该框架在处理矛盾目标之间的内在权衡方面的能力,例如最大化累积热量、最大化有效排放时间和最小化压力降。这项工作提供了一种新颖的方法,用于自动化和加速最佳LHTES设计的发现,为下一代低碳建筑的实际高效部署铺平了道路。

**部分截图**
**实验设置和共轭传热建模**
为了开发数据驱动的PINN,首先需要一个高保真度的“真实”数据集。该数据集是由一个三维瞬态CFD模型生成的,而这个模型本身也需要严格的实验验证。物理实验和CFD模型的目标都是研究PCMs的低热导率,并系统分析内管“平坦度”对系统性能的影响。图1中的实验室规模实验设置包括三个主要部分……

**数值结果**
通过进行15次不同的共轭传热(CFD)仿真(如表1所示),建立了一个用于训练混合PINN模型的真实数据集。该数据集并非随机生成;它是系统地构建的,旨在涵盖基于经过验证的CFD模型[24]控制LHTES放电性能的主要变量。这15个案例代表了三个关键参数的因子组合:一个关键设计变量和两个操作变量。

**结论**
本研究开发并验证了一个完整的PINN驱动框架,用于潜热热能储存(LHTES)系统的多目标设计优化(MODO)。LHTES设计的核心挑战——即传统CFD模拟的计算成本过高问题——通过创建一种新型的混合PINN得到了克服。该模型由一个0D集总电容能量平衡控制,并仅使用15个经过验证的CFD仿真数据集进行训练。

**作者贡献声明**
韩光宇:撰写——审阅与编辑,软件。宋国洪:撰写内容(包括审阅与编辑)、数据可视化、结果验证、项目监督、资金筹措以及正式数据分析;概念框架的制定。
安泰镇:正式数据分析、数据整理与处理。
金基正:数据可视化工具的开发、相关软件的应用及研究方法的设计。
魏达宰:结果验证、项目监督及进一步研究工作的开展。
郑哲宰:软件开发与资源管理、项目行政工作。
李东贤:项目监督。
金秉硕:撰写内容(包括审阅与编辑)、项目监督、资源调配以及利益冲突声明的撰写。
作者声明:他们不存在任何可能影响本文研究结果的已知财务利益冲突或个人关系。

致谢:
本研究是在韩国能源研究所(Korea Institute of Energy Research)的研究与发展计划(项目编号C5-2428)支持下完成的。同时,该项目还获得了韩国政府(通过韩国科学技术信息院,MSIT)资助的韩国国家研究基金会(National Research Foundation of Korea, NRF)的科研经费支持(项目编号:RS-2024-00457446和RS-2026-25472330)。
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