利用机器学习方法预测粉煤灰-Cu混合纳米流体的传热和流体流动性能

《Scientific Reports》：Prediction of heat transfer and fluid flow performance of fly ash–Cu hybrid nanofluid using machine learning approaches

　　

摘要

准确预测热-水力特性对于高效设计和优化基于纳米流体（NF）的热传递系统至关重要。在本研究中，开发了支持向量回归（SVR）和梯度提升（GB）模型，用于同时预测在湍流强制对流条件下飞灰-铜（fly ash–Cu）混合纳米流体的传热系数（HTC）、努塞尔特数（Nu）、压降（ΔP）和摩擦系数（f）。共有75个数据样本来自Kanti等人的实验研究，这些样本被用作训练和评估预测模型的基础。该数据集涵盖了雷诺数（Re）从6,807到45,155、纳米流体浓度从0到2.0体积%，以及温度为30、45和60°C的范围，用于模型开发和验证。这两种机器学习方法均表现出出色的预测能力。SVR在HTC、Nu、ΔP和f方面的回归系数（R²）分别为0.9931、0.9929、0.9913和0.9727，平均绝对百分比误差（MAPE）为3.13%。相应地，GB模型的R²值分别为0.9934、0.9926、0.9660和0.9826，平均MAPE为3.62%。五折交叉验证结果显示，SVR和GB的平均R²值分别为0.9590和0.9691，证明了模型的强大鲁棒性。特征重要性分析表明，雷诺数对预测性能的贡献最大（占76.7%），其次是纳米粒子浓度（18.9%）和温度（4.4%）。研究结果表明，这两种模型能够准确预测飞灰-铜混合纳米流体的热-水力行为，为大量的实验测试提供了高效的替代方案。这些模型为所研究的操作范围提供了一种计算效率高的设计支持工具；然而，由于数据集仅有75个样本且仅限于一种飞灰-铜配方，因此它们应被视为在研究范围内的插值工具，而非具有广泛通用性。