基于机器学习的新型超声振荡降膜发生器的多目标参数性能优化

《Energy》：Multi-objective Parameter Performance Optimization of a Novel Ultrasonic Oscillation Falling Film Generator Based on Machine Learning

　　

摘要

氨水吸收式制冷和热泵系统受限于较低的热力学性能系数，同时发生器组件面临令人不满足的传热传质效率。为解决这一瓶颈，本研究创新地将超声波振荡技术引入新开发的下行膜发生器中。建立了一维理论模型以表征超声波激励下氨水下行膜脱吸过程，涵盖五个关键运行变量：超声功率、进口溶液浓度和流量、热水进口温度以及发生压力。系统分析了多参数耦合对平均传质速率和脱气范围（Δω）的影响。构建了基于直方图的梯度提升回归器作为物理模型的高效替代模型，用于高维筛选和优化。通过累积局部效应分析量化了各参数对Δω变化的边际贡献，并利用差分进化算法执行多变量性能优化。结果表明，进口流量对Δω变化起主导作用，贡献率为61.66%。预测的最大Δω与数值模拟相比相对误差仅为3.2%，优化后的Δω比无超声强化常规发生器高出33.3%。尽管本研究验证了超声强化带来的显著性能提升，但应注意这些定量值是基于一阶声流强化模型的理论预测，未考虑空化引起的沸腾成核效应。由于空化相变可产生额外的增强效果，实际强化性能将更高。所有结果在应用于实际工程场景之前，尚需进一步实验验证。

引言

氨水吸收式制冷/热泵系统（AARS）在回收低品位能源资源（包括太阳能[1]、地热能和工业废热）方面具有突出优势。此类系统为制冷和热泵行业的高效低品位能源利用和碳排放减排提供了可行的技术路线[2]。然而，相对较差的性能系数（COP）这一固有缺陷严重限制了AARS的大规模工程推广和实际应用[3]。系统COP主要由关键组件的传热传质性能、循环配置设计及工质对的选取决定[4,5,6]。近年来，常规优化方法——包括运行参数调节、循环流程改进和新工质对开发——已逐渐触及性能瓶颈[7,8,9]。随着增材制造技术和多学科交叉融合的快速进展，结构拓扑优化[10]、机器学习辅助参数筛选[11]和多物理场耦合强化[12]等新兴研究方向为热组件性能提升提供了新思路。将这些创新方法引入AARS研究有望从根本上突破低COP的限制，并促进吸收式热泵技术的推广应用。

作为决定系统循环效率的核心组件，发生器通过调节出口溶液浓度来影响系统脱气范围（Δω）和热性能。充分的氨脱吸对应着发生器出口稀溶液浓度更低、脱气范围更宽以及更优的系统整体能效[13]。脱吸效率不足长期以来是AARS低COP的首要因素。传统的提高脱吸能力的途径主要依赖扩大换热面积，这不可避免地导致设备结构庞大。垂直下行膜发生器已被广泛应用于AARS中，通常采用液膜与加热介质之间的逆流换热来强化脱吸效率[14]。脱吸性能与传质系数、有效气液接触面积和传质驱动力密切相关，在全球范围内吸引了广泛的理论和数值研究。此前研究表明，适当提高热源温度可提高氨水下行膜蒸发的总体传质系数，而过高的温升将导致系统运行负荷和经济成本的急剧增加[15]。一些学者设计了垂直管脱吸装置以提高氨气纯度，在低脱吸负荷下实现了最佳性能，但在低壁面润湿率下增强效果有限[16]。其他研究人员提出了矩形微通道下行膜发生器结构，将气液传质面积提高了高达69%，但面临制造工艺复杂和生产成本高的问题[17]。总之，在高脱吸效率、低热负荷和低制造成本之间取得平衡仍然是发生器结构设计和运行调节的核心优化目标。

施加外部物理力场是提高设备运行效率的有效途径，其中磁场[18]、离心场[19]和超声波场[20]已被广泛应用于传热传质强化。作为一种有前景的辅助物理场，超声波主要通过声流和空化效应作用于液体介质来增强传热传质[21]。超声波的机械振动引发内部流动扰动并形成定向声流行为，从而强化溶液内部的湍流混合[22]。周期性压力波动引起周围流体的反复压缩和膨胀，触发微空化气泡的持续生成和瞬时溃灭，进一步加强液相中的流动扰动和湍流强度[23]。声流和空化的强化程度与超声频率和声强密切相关[24]。现有的实验和数值研究已验证，超声激励可显著增强微反应器中的气液传质，增强倍数在1.88至3.80之间[25]。相关研究还证实空化特性对超声频率高度敏感，超声辅助传质增强倍数在萃取过程中可达1.51～2.25[26]。低频超声激励已被证明可将胺溶剂再生的加热能耗降低49.8%[27]，多频超声激励可使CO2脱吸速率提高近四倍[28,29]。超声辅助膜蒸馏与常规工艺相比可将渗透通量提高8.4倍[30]。与其他强化方法相比，超声振荡仅需在现有设备上安装振荡器，无需修改整体结构或增加设备体积。然而，作为一种主动强化技术，需要在增强收益与超声能耗之间取得平衡。本课题组对AARS吸收过程中的超声增强传热传质进行了深入的研究。实验结果表明，在50 W超声功率下，传质系数达到最大增量17.07%[31]。理论模拟进一步验证超声激励可使氨吸收速率提高高达31.2%[32]。AARS的发生过程和吸收过程在热力学上是可逆的氨脱吸和吸收过程，具有相似的传热传质机制。不同之处在于，吸收过程仅涉及氨的单一组分迁移，而发生过程由内部加热介质驱动，伴随氨和水双组分的同步脱析，导致传质特征更为复杂。因此，探索超声振荡强化下行膜脱析过程的内在机理至关重要。

机器学习可用于预测复杂工况下设备或系统的性能，弥补现有研究大多集中于单因素影响规律分析和定性机理阐释的局限性。近年来，凭借其强大的非线性映射能力和高效的全局搜索能力，机器学习技术已成为热设备性能预测和参数优化的重要工具。针对传热传质过程中多参数耦合和强非线性的特点，研究人员建立了神经网络代理模型以替代耗时的数值模拟和实验，并结合智能优化算法实现微通道散热器、吸收制冷系统及关键组件的高效优化设计。Feng等[33]采用BP神经网络建立了纳米制冷剂流动沸腾传热系数和压降的预测模型，实现了传热与流动阻力双目标优化，将相对预测误差控制在±1.5%以内。Seah等[34]使用径向基函数神经网络预测螺旋椭圆狭缝流动的Nusselt数和摩擦因子，并通过多目标优化获得了平衡传热增强和阻力降低的最优结构参数。Lee等[35]通过人工神经网络分析了下行膜吸收器的关键影响参数，并开发了预测精度明显高于传统经验关联式的传热关联式。这些研究充分展示了机器学习方法在解决复杂传热传质过程优化问题方面的优越性。因此，引入机器学习方法对超声振荡增强的氨水下行膜发生过程进行参数优化是非常必要的。

综上所述，针对新型超声振荡增强氨水下行膜发生器的传热传质机理及参数耦合优化问题，本文建立了考虑超声振荡效果的下行膜发生器一维数学模型，探索了发生器内部沿液膜流向的温度场和浓度场分布规律。通过与现有文献中的模拟数据进行对比验证了所建模型的可靠性。在此基础上，本文研究了超声振荡功率（Pu）、进口溶液浓度（ωin）、进口溶液流量（fin）、热水进口温度（Th,in）和发生压力（pin）等多参数耦合效应对平均传质速率和Δω的影响规律，阐明了各运行参数对发生性能的 tác d?ng mechanism以及超声的增强效果。进一步地，以最大Δω为优化目标对运行参数进行了多目标优化，获得了最优工作条件组合。研究成果可为超声振荡增强的氨水下行膜发生过程的机理阐释、运行参数优化及AARS能效提升提供理论支撑。

章节片段

新型下行膜发生器描述

图1展示了新设计的下行膜发生器（模式E）、圆形超声波振荡器（CUO）及超声振荡的强化机理。如图1(a)所示，浓溶液进入液体分配器后在下行膜管（FFT）外壁形成液膜。在加热条件下发生脱析并产生蒸气。在重力驱动下，液膜向下流动并从稀溶液出口排出。

超声功率对发生特性的影响

选取中间运行参数（ωin=0.50, fin=0.3 kg·m?1·s?1, Th,in=90 °C, pgen=1.2 MPa），研究超声振荡的强化机理及超声功率（Pu =0～100 W）对脱析性能的影响，结果如图3所示。图3(a)展示了不同超声功率下热水温度（Th）的轴向分布。超声振荡提高了液膜与热水之间的传热系数，

结论

(1) 超声振荡可通过声流和空化效应增强液膜内部流体扰动，提高气液传质驱动力和传热传质系数，有效改善温度与浓度沿下行膜发生器的分布规律，显著提升局部和总体平均传质速率，且超声增强效果沿下行膜呈现差异化分布。

CRediT作者贡献声明

黄升浩：项目管理。浦万兴：撰写——审稿与编辑、监督。邱云峰：验证、数据管理。魏川：验证、数据管理。潘创：撰写——初稿、软件、方法、调研、资金获取、数据管理。李殊鸿：撰写——审稿与编辑、验证、资金获取、数据管理。贾腾：资源、方法

利益冲突声明

作者声明，他们不存在任何可能影响本文所述工作的已知竞争性经济利益或个人关系。

利益冲突声明

作者声明，他们不存在任何可能影响本文所述工作的已知竞争性经济利益或个人关系。

数据可用性声明

当前研究中生成和分析的数据集可通过向通讯作者提出合理请求获取。所有模拟代码基于MATLAB 2024b和NIST REFPROP 10.0构建。

伦理审批

本研究仅采用数值模拟，无人类参与者或动物实验，无需伦理审批。

发表同意

不适用，因为本手稿不包含任何个人数据、影像或临床记录。

人工智能工具声明

在撰写本手稿过程中，未使用人工智能工具进行研究设计、数据模拟、结果分析或科学内容创作。

所有作者手动完成了细微的语言润色工作。

**资金来源声明**

本工作受国家自然科学基金委员会（批准号：52576009、52276002）、江苏省研究生科研与实践创新计划项目（26CXJY0664）、东南大学博士研究生创新能力提升计划（CXJH_SEU 26072）以及江苏省市场监督管理局科研项目（KJ2025009）资助。资助方未参与本研究的设计；数据的收集、分析或解释；以及论文的撰写工作。

**利益冲突声明?**

作者声明以下财务利益/个人关系，可能被视为潜在的利益冲突：李书洪报告称，其获得了来自国家自然科学基金委员会、江苏省研究生科研与实践创新计划项目、东南大学博士研究生创新能力提升计划以及江苏省市场监督管理局科研项目的财务支持。如有其他作者，则声明……

**致谢**

本研究由国家自然科学基金委员会（No. 52576009）、国家自然科学基金委员会（No. 52276002）、江苏省研究生科研与实践创新计划项目（26CXJY0664）、东南大学博士研究生创新能力提升计划（CXJH_SEU 26072）以及江苏省市场监督管理局科研项目（KJ2025009）资助。

潘闯｜魏传｜黄盛浩｜邱云峰｜浦万星｜贾腾｜李书洪
东南大学能源与环境学院，南京，210096，中国