人工神经网络（ANN）与组合模型（COMBI）在预测粉煤灰纳米流体的热液压性能方面的对比分析

《Scientific Reports》：Comparative analysis of ANN and COMBI models for predicting thermal-hydraulic performance of fly ash nanofluid

　　

摘要

本研究采用机器学习方法，对比分析了人工神经网络（ANN）和组合算法（COMBI）在预测粉煤灰纳米流体在湍流条件下的热流体性能方面的表现。粉煤灰是一种丰富的工业副产品，可作为可持续且经济的纳米粒子来源，用于提高传热效果。本研究使用了Kanti等人发表的实验数据（75组观测结果），其中输入变量包括雷诺数（7,042–45,155）、纳米粒子浓度（0–2体积%）和入口流体温度（30–60°C），输出变量为传热系数、努塞尔数（Nusselt number）、压降和摩擦系数。ANN和COMBI模型均采用80/20的比例进行训练，并采用Min-Max归一化方法进行评估，评估指标包括R2、RMSE、MAE和MAPE。结果表明，在所有输出参数上，COMBI模型的性能始终优于ANN，尤其是在压降预测方面，其R2值高达0.9968，显示出更高的预测精度。相比之下，ANN在相同参数下的预测精度较低。五折交叉验证进一步证实了COMBI模型的稳健性，其平均R2值为0.9841（标准差σ=0.0027），而ANN的R2值为0.9759（标准差σ=0.0061）。敏感性分析显示，雷诺数是影响性能的最关键参数（占比约83.6%），其次是入口温度（约9.2%）和浓度（约7.2%）。COMBI框架的一个主要优势在于它可以生成所有输出变量的显式多项式方程，从而实现透明的结果解释和直接应用，无需重新训练。