利用超高温流量的倾斜喷流冲击分层流道实现液体冷却，并结合机器学习技术来提高能源利用率

《Energy》：Ultrahigh-heat-flux inclined jet-impingement layered-manifold liquid cooling synergized by machine learning for high energy efficiency

　　摘要
随着电子设备变得越来越紧凑和强大，热管理面临着日益增长的挑战，这同时也导致了大量的能源消耗。为了解决这个问题，我们提出了一种倾斜射流冲击层状歧管微通道（IJMC），通过参数多目标优化框架实现了超高的热流去除效率和高能源效率。方差分析显示，四个关键几何参数对热流体性能都有统计学上的显著影响。具体而言，微通道宽度对热性能的影响最大（57.05%），其次是射流进出口宽度，而射流进出口宽度则主导了流体性能（分别为43.50%和36.11%）。物理机制分析表明，引入倾斜射流可以创建一个预扩散区，有效将摩擦系数降低了12.76%。通过机器学习辅助的多目标优化，得出了三种针对平衡优先、热优先和流体优先场景的独特解决方案，其COP分别比基线提高了1500、589和1898。热优先解决方案能够散发出最大1629 W/cm2的热流。重要的是，在1000 W/cm2的热流和60 °C的最大温度升幅下，热优先解决方案的热阻可以低至0.075 K?cm2/W，并且仅需要0.47 mW的极低泵送功率。

引言
电子产品的日益小型化和性能提升已经使散热密度达到了极高的水平，在高功率应用中超过了1 kW/cm2 [1],[2],[3]。这种不断上升的热负荷构成了一个根本性的瓶颈，威胁到了电子产品的性能和长期可靠性 [4],[5]。升高的工作温度不仅会导致立即的性能下降和功能不稳定 [6],[7]，在极端情况下，还可能导致组件故障或安全隐患，如火灾 [8]。除此之外，在如此高的功率密度下，去除热量所需的能量也变得不可忽视。热管理系统消耗的泵送功率占总能耗的比例越来越大，这直接影响了运营成本和环境可持续性。据统计，到2024年，数据中心预计将占全球电力消耗的近1.5%，其中冷却系统占总能源需求的40% [9],[10]。因此，开发同时实现超高热流去除和高效节能运行的热管理解决方案不仅是一个技术目标，也是实现下一代高性能和可持续电子产品的关键前提。
在各种冷却技术中，如空气冷却 [11]、相变冷却 [12],[13],[14]、热管冷却 [15],[16],[17] 和液体冷却 [18],[19],[20]，微通道散热器（MCHS）因其紧凑的结构和高效的散热能力而脱颖而出，特别适合于设备的小型化和轻量化设计 [21]。自Tuckerman和Pease在1981年首次提出MCHS以来 [22]，这些设备已被广泛用于热管理。然而，它们的性能受到沿流动方向逐渐增厚的热边界层的限制，导致传热系数下降和表面温度梯度显著增加 [19]。此外，微通道流动中固有的较大压力降也是一个不容忽视的重大流体挑战。为了缓解这些问题，设计了具有多个进出口的歧管结构以缩短平行微通道中的流动路径 [1]。Kong等人 [23] 通过增材制造制造了锥形歧管结构，将系统热阻和压力降分别降低了24.2%和37.9%。关于歧管配置，Yang等人 [24] 发现梯形歧管由于流体分布更均匀，因此温度升温和压力降低于矩形歧管。为了满足超高功率密度的需求，开发了先进的歧管微通道（MMC）设计，例如仿生歧管微通道和多级通道 [25],[26],[27]。例如，一种受莲花叶启发的环形歧管通道，带有花瓣形状的出口和T形流动路径，增强了横向流体混合，从而降低了压力降并提高了高功率芯片冷却的能源效率。与单层歧管相比，Drummond团队开发的多层分层架构通过流动阻力匹配提高了冷却剂分布的均匀性，实现了910 W/cm2的热流去除效率，压力降低于164 kPa [28]。此外，基于数值算法的拓扑优化结构也出现了，以增强传热同时降低流动阻力 [29],[31]。Zhou等人开发的具有根部特征的拓扑优化通道与传统的矩形流动通道相比，传热系数提高了87%，压力降降低了16% [32]。然而，这些更复杂的配置在实际应用中往往存在显著的集成挑战。
除了结构优化之外，将MMC与其他冷却技术（如相变冷却和射流冷却 [32],[33],[34]）集成是一个有前景的方向。特别是射流冲击技术，能够产生高速流，显著增强对流热传递 [35],[36],[37]，同时保持MMC的优异流体分布和热均匀性。Han等人 [38] 提出了一种集成微通道与射流冲击的硅微冷却器，在0.2 W的泵送功率下实现了平均传热系数为1.5×10? W/(m2·K)。为了解决射流内部固有的高压降问题，Paniagua-Guerra等人 [39] 提出了一种集成配置，结合了分形歧管和微射流。在此基础上，提出了射流歧管微通道（JMC）[40],[41]，在歧管和微通道之间放置一层射流以破坏边界层并控制压力成本地增强传热 [42],[43]。Peng等人 [44] 通过优化关键参数（包括射流数量、通道长度和宽度）研究了一种多射流微通道配置，实现了0.11 K/W的热阻和仅52.6 mW的功耗。然而，多分散射流会导致非均匀的冷却效果 [45]，因此开发了连续狭缝射流。Wu等人 [43] 将锥形歧管与锯齿形壁和狭缝射流层结合使用，实现了2126 W/cm2的热流和仅1.26 W/cm2的泵送功率。他们使用标准硅微制造技术验证了这种架构，在3×3 mm2的芯片上实现了超过13000的COP，同时散发了超过1000 W/cm2的热量，最大温度升幅为65 °C [46]。尽管取得了这些进展，但关键设计参数（尤其是射流配置）对热流体性能的影响仍不明确，需要进一步探索以充分发挥其潜力。
尽管JMC系统具有优越的热性能，但它们仍然存在较高的压力降问题，这突显了需要设计优化来平衡传热和泵送功率 [47],[48]。虽然对超高热流的冷却需求迫切，但传统的单目标设计方法对于JMC系统来说是不够的 [49]。基于多项式的响应面方法（RSM）作为一种可行的多目标优化技术已经出现。例如，Sui等人 [19] 将RSM与非支配排序遗传算法II（NSGA-II）结合使用，实现了电池热管理的最大温度降低11.7%。然而，RSM难以捕捉复杂的非线性关系。基于机器学习（ML）的多目标优化的最新进展使得热管理系统更加准确和高效 [50],[51],[52]。Hua等人 [53] 将拓扑优化与贝叶斯优化结合，揭示了热扩散与最佳几何形状之间的关系，为热管理系统提供了两个设计标准。Huang等人 [54] 比较了四种ML模型来预测射流增强浸入式液体冷却的性能，并通过他们的多目标预测模型实现了最大相对误差为0.68%。作为一种强大的方法，基于ML的多目标优化在处理具有非线性关系的复杂高维问题方面表现出色，并能发现最佳解决方案。
大多数现有的射流冷却研究集中在孤立配置上，特别是射流孔径大小、间距、数量和空间排列的参数优化 [55],[56]。虽然近期对歧管微通道与射流层的集成引起了关注，但关键几何参数对整体热流体性能的定量贡献仍不清楚。迄今为止，尚未有针对这种集成射流-歧管微通道架构的全面多目标优化报告。此外，将射流层集成到传统歧管微通道中不可避免地会引入额外的流动阻力。为了缓解这种过大的流体阻力，本工作中将倾斜射流狭缝与3D层状歧管布局相结合，以抑制局部流动分离。射流和微通道的协同优化实现了高热流电子设备的高效热管理。
为了填补这些关键空白，本文提出了一个集成框架，结合了三维共轭传热模型和基于ML的多目标优化，用于IJMC系统的系统设计。在进行了全面的参数研究和关键几何参数的方差分析（ANOVA）之后，构建了一个人工神经网络（ANN）作为替代模型，并与多目标遗传算法（MOGA）结合，以识别Pareto最优设计。优化设计在高热流条件下进行了彻底评估，展示了出色的冷却能力和优越的能源效率。这项工作不仅为高热流冷却应用提供了最佳设计指南，还为一般的复杂热管理系统建立了一种稳健的优化方法。

部分摘录
物理模型
IJMC系统是一个多层堆叠结构，包含三个功能层（图1(a)）。顶层具有圆锥形进出口分配歧管，将冷却剂均匀地输送到下方的射流板上。中间的射流板由多排狭窄的狭缝组成，每排狭缝与一个进口通道对齐。这些狭缝充当喷嘴，将冷却剂加速成高速垂直射流，冲击到微通道基板上。

优化方法
多目标优化对于确定IJMC系统中热性能和流体性能之间的最佳平衡至关重要。与单目标优化不同，多目标优化涉及各个目标之间的内在权衡。例如，增强传热通常会导致压力降的增加。这种冲突使得同时优化所有目标变得不可能。为此，本研究利用CFD模拟获得的数据。

讨论
本节系统地研究了关键设计参数对IJMC系统热流体性能的影响。最佳设计通过基于ML的多目标优化框架来确定。最佳设计的整体性能在热性能和能源效率方面进行了全面评估。

结论
本文提出了一种集成的倾斜射流冲击层状歧管微通道（IJMC）系统，以实现超高热流下的高效冷却。通过计算流体力学与方差分析结合，系统评估了包括微通道宽度、射流进出口宽度和射流入口角度在内的关键设计参数，以明确它们的热流体效应。随后，基于机器学习的多目标优化框架...

作者贡献声明
刘天添：撰写——原始草稿，验证，软件，方法论，概念化。
隋增光：撰写——审阅与编辑，监督，方法论，数据管理。
李俊山：研究，资源，软件。
李福祥：可视化，方法论，研究，数据管理。
吴伟：撰写——审阅与编辑，监督，资源，资金获取。

利益冲突声明
作者声明他们没有已知的竞争性财务利益或个人关系，这些利益或关系可能影响到本文报告的工作。

致谢
作者衷心感谢中国国家自然科学基金（编号52476019、52322812）、四川省科技计划（编号2025ZNSFSC0441）、深圳市科技计划（编号JCYJ20230807114905012）、香港研究资助委员会（编号CityU 11218922）和香港环境保护基金（编号76/2022）的支持。