摘要
太阳能热储能系统在弥合间歇性太阳能供应与连续能源需求之间的差距方面发挥着至关重要的作用；然而，其效率受到相变材料固有低导热系数的严重制约。整合物理传热增强措施，如径向翅片，提供了一种切实可行的解决方案，但在各种设计配置下评估这些非线性热动力学通常会带来沉重的计算成本。为了应对这一挑战，本研究调查了一种基于人工智能的预测框架，能够准确建模配备翅片的储罐中复杂的相变动力学。利用装满 RT-50 石蜡的不锈钢双管储罐在 10、20 和 29 片翅片配置下的高保真二维计算流体力学模拟数据，开发了一种使用贝叶斯正则化算法训练的多层感知器人工神经网络。该模型根据翅片数量和预测时间预测液相分数、潜热分布以及浮升力驱动的自然对流（雷诺数）。具有 30 个隐藏神经元的最佳架构实现了卓越的预测精度，得出决定系数为 0.99999，以及液相分数为 1.29 × 10?3、潜热分布为 5.73 × 10?1、雷诺数为 2.64 × 10?5 的各自均方误差值，平均预测偏差率始终低于 0.5%。这些结果表明，高精度代理建模可以有效替代计算密集型的数值模拟，为先进太阳能储能技术的实时热监测、快速设计优化和智能控制提供了重要的实际意义。
