物理信息神经网络预测TPMS Gyroid热交换器中纳米流体热传输

《Processes》：Physics-Informed Neural Network Prediction of Nanofluid Thermal Transport in TPMS Gyroid Heat Exchangers

　　

三周期极小曲面（TPMS）热交换器具有高表面积体积比和互连流动通道，使其在紧凑型热管理中具有吸引力。然而，由于多孔结构、流动动力学和浓度依赖性热物理性质的耦合效应，在复杂TPMS几何形状中准确预测宽范围纳米颗粒浓度和操作条件下的纳米流体传热仍然计算上具有挑战性。在本研究中，研究人员开发了一种混合物理信息神经网络（PINN）框架，用于在TPMS Gyroid热交换器中重建浓度依赖性Al₂O₃-water纳米流体温度场。所提出方法的新颖之处在于将稀疏热电偶测量、稳态对流-扩散方程、边界条件残差、浓度依赖性纳米流体性质模型以及基于物理的浓度缩放程序集成在一个统一框架内。该框架被应用于铝和银TPMS热交换器，覆盖宽范围的纳米流体体积分数和流动条件。训练后的PINN准确重建了实验测量的温度场，与参考实验数据表现出极好的一致性。通过基于物理的浓度缩放模型获得了超出实验测量参考条件的浓度下的预测。随后通过能量平衡公式从预测的平均TPMS温度评估了有效传热系数和努塞尔数。增加纳米颗粒浓度使预测的TPMS温度降低约17.5–18.5%，而浓度和流速的联合增加导致总体温度降低约33.5%。相对于选定的基线条件，浓度和流速的联合变化与计算出的62.08%在 , 58.33%在Nu, 59.32%在Re的增加相关。这些结果证明了所提出的混合PINN框架作为评估纳米流体增强型TPMS热交换器的计算高效替代模型的潜力，同时承认远离训练浓度的预测依赖于浓度缩放模型的有效性。

**论文解读：基于物理信息神经网络的TPMS Gyroid热交换器中纳米流体热传输预测**

**研究背景与问题**

三周期极小曲面（Triply Periodic Minimal Surface, TPMS）热交换器因其高表面积体积比和互连流动通道，在紧凑型热管理领域受到广泛关注。然而，在复杂TPMS几何结构中，预测纳米流体（nanofluid）的传热行为面临计算挑战。纳米流体的热物理性质（如导热系数、粘度）强烈依赖于纳米颗粒浓度，且与多孔结构中的流动动力学耦合，导致传统数值模拟（如计算流体动力学，CFD）成本高昂。尤其当需要评估宽范围浓度和操作条件时，实验测量或全阶模拟的负担显著增加。因此，开发一种高效、准确的替代模型，能够利用有限实验数据重建温度场并预测未测量条件下的性能，具有重要研究价值。

**研究目的与内容**

为克服上述困难，研究人员提出了一种混合物理信息神经网络（Physics-Informed Neural Network, PINN）框架。该框架旨在：1）利用稀疏热电偶测量数据，结合稳态对流-扩散方程（convection–diffusion equation）和边界条件残差，在TPMS Gyroid热交换器中重建浓度依赖的Al₂O₃-water纳米流体温度场；2）通过基于物理的浓度缩放（concentration scaling）模型，外推至实验未覆盖的纳米颗粒浓度范围；3）基于重建的温度场，通过能量平衡（energy balance）公式计算有效传热系数（effective heat transfer coefficient）和努塞尔数（Nusselt number, Nu）等关键性能参数。该研究发表于《Processes》。

**主要技术方法**

研究人员采用的关键技术方法包括：1）混合物理信息神经网络（PINN）框架，该框架将稀疏热电偶测量数据、稳态对流-扩散方程（物理约束）、边界条件残差以及浓度依赖性纳米流体性质模型（如导热系数、粘度随体积分数的变化）作为损失函数项，进行联合训练；2）浓度缩放模型，基于物理规律将训练浓度下的温度场映射至其他浓度，从而实现外推预测；3）能量平衡公式，利用预测的平均TPMS温度计算热传递系数和努塞尔数。样本队列来源为铝和银两种材质的TPMS Gyroid热交换器实验系统。

**研究结果**

- **温度场重建**：训练后的PINN准确重建了实验测量的温度场，与参考实验数据（实验测量值）表现出极好的一致性，验证了模型在稀疏数据条件下的有效性。
- **浓度外推预测**：利用基于物理的浓度缩放模型，获得了超出实验测量参考条件的浓度下的温度场预测，表明该模型具备一定泛化能力。
- **参数敏感性分析**：增加纳米颗粒浓度使预测的TPMS温度降低约17.5–18.5%，而浓度和流速的联合增加导致总体温度降低约33.5%。这证实了纳米流体浓度增强对热传输的积极作用。
- **性能指标提升**：相对于选定的基线条件（baseline condition），浓度和流速的联合变化与计算出的62.08%在未知参数（原文中缺失，可能为传热系数h）、58.33%在Nu、59.32%在雷诺数（Reynolds number, Re）的增加相关，表明纳米流体浓度和流动条件共同增强了热交换器性能。

**讨论与结论**

研究结论指出：所提出的混合PINN框架可作为评估纳米流体增强型TPMS热交换器的计算高效替代模型，尤其适用于实验数据有限且需要快速参数扫描的场景。然而，远离训练浓度范围的预测依赖于浓度缩放模型的有效性，该模型基于物理假设，其外推精度需在更宽范围内验证。此外，当前框架仅适用于稳态条件，未来可扩展至瞬态问题。总体而言，该研究为利用物理信息机器学习加速复杂热交换器设计提供了新思路。