多项式回归机器学习方法在预测 NiFe2O4-水纳米冷却液的比热容、密度、热导率和动力粘度中的应用

《Scientific Reports》：The application of the polynomial regression machine learning method for forecasting the specific heat, density, thermal conductivity, and dynamic viscosity of NiFe2O4-water nano-coolant

　　

摘要

本研究提出了一种稳健的混合框架，整合了机器学习（ML）、多目标优化（MOO）和多准则决策（MCDM），以准确预测和优化 NiFe?O?-水纳米流体的热物理性质。开发了一种多元多项式回归（MPR）模型，用于表征动态粘度（DV）、热导率（TC）、比热容（SHC）和密度（D）作为温度（T）和纳米颗粒体积分数（φ）的函数。模型的预测精度使用八项统计指标进行了严格验证：相关系数（R）、均方根误差（RMSE）、均方误差（MSE）、纳什 - 朔尔茨效率（NSE）、平均绝对误差（MAE）、平均绝对百分比误差（MAPE）、决定系数（R2）和平均绝对相对误差（MARE）。在优化阶段，采用 NSGA-II 算法来实现帕累托最优权衡，即在最大化 TC 和 SHC 的同时最小化 DV 和 D。基于四项关键性能指标，使用香农熵方法评估了最优帕累托前沿：最大扩展（MS）、间距（SP）、计算时间和平均理想距离（MID）。随后，实施了 TOPSIS（逼近理想解排序法）和 MEW（乘法指数加权）方法，以确定最合适的最佳配置。结果表明，在所研究的范围内，MPR 模型具有令人鼓舞的预测性能，DV、TC、SHC 和 D 的偏差幅度（MoD）值分别为 -1.6%、0.403%、-0.0206% 和 -0.0516%。TOPSIS 确定的最佳操作点为 φ = 0.3484% 和 T = 78.63 °C，得出的 DV = 0.0004025 kg/m·s，TC = 0.9311 W/m·K，D = 987.0308 kg/m3，以及 SHC = 4.1668 kJ/kg·K。然而，MEW 方法提出了一个替代的最佳点，φ = 0.1082% 和 T = 78.19 °C，相应的性质为 DV = 0.000369 kg/m·s，TC = 0.8467 W/m·K，D = 975.889 kg/m3，以及 SHC = 4.175 kJ/kg·K。该提出的框架为纳米流体的节能设计提供了一种实用且可解释的方法，潜在应用于电子冷却、汽车热管理和储能系统，有待于在独立数据集上进一步验证。