低 GWP 制冷剂蒸气压缩循环中 COP 预测的可解释机器学习：基于 SHAP 的 NIST 实验数据分析

《International Journal of Refrigeration》：Interpretable machine learning for COP prediction in vapour compression cycles with low-GWP refrigerants: A SHAP-based analysis of NIST experimental data

　　

• •
  XGBoost代理模型在无数据泄漏的情况下预测了十种低全球增温潜值（GWP）制冷剂的能效比（COP）。
• •
  基于物理的混合物描述符取代了类别型制冷剂编码。
• •
  留一制冷剂交叉验证测试确认模型可迁移至训练中未见的流体。
• •
  SHAP特征指纹无需显式族标签即可对制冷剂族进行聚类。
• •
  保形预测区间为流体筛选提供了校准的预测不确定性。

引言

《蒙特利尔议定书》基加利修正案要求逐步削减高全球增温潜值（GWP）氢氟碳化物（HFCs），这促使业界迫切需要为蒸气压缩系统寻找可行的低GWP替代制冷剂（Domanski和McLinden, 2025）。利害攸关：建筑物约占欧盟能源消耗的40%和温室气体排放的36%（European Commission, 2020），而蒸气压缩循环几乎支撑了建筑物全部的供暖、制冷和冷藏需求——这使得制冷剂选择成为同时实现气候和能效目标的关键杠杆。McLinden等人（2020）已证实，在热力学和安全性上均适宜的低GWP候选流体池本身就很有限，这促使研究聚焦于特定类别的氢氟烯烃（HFOs）及其混合物。R-1234yf和R-1234ze(E)等流体已被广泛表征（Pabón等, 2020），而二元和三元混合物（R-454B、R-452B、R-513A、R-515B）则提供了定制化的热物性特征，可在各种运行条件下替代现有流体（Dongellini等, 2023, Fedele等, 2023）。

针对每个目标应用逐一进行实验筛选或全流程物理模拟，资源消耗极大。循环仿真工具虽然精确，但在对大量制冷剂空间进行多目标优化时计算代价过高（Ally和Fricke, 2021, Spale等, 2024）。实验对比——虽然对验证不可或缺——通常只能覆盖单一流体在狭窄运行范围内的性能（Alkhatib等, 2025, Koundinya和Seshadri, 2022, Sulaiman等, 2023）。针对内部热交换器（LLSL HX）等系统级增强措施的研究，同样报告了强烈依赖于特定构型的结论，难以在全流体组合范围内推广（H?ges等, 2024）。这些因素的叠加效应是，从业者普遍基于有限的性能数据来选择制冷剂，而缺乏对候选空间进行系统的预测不确定性量化。

机器学习（ML）代理模型提供了一条切实可行的路径。关于制冷系统中AI应用的综述文献确认，数据驱动方法能以高保真度复现循环性能，且计算成本仅为传统方法的几分之一（Ahmed等, 2021, Zhou等, 2023）——涵盖从组件级压缩机性能图谱（Wan等, 2021, Ye等, 2026）、知识驱动的完整吸收式循环模型（Ning等, 2025），到面向吸收式系统低GWP制冷剂/溶剂工质对的ML辅助筛选（Kong等, 2025）。梯度提升集成方法——特别是XGBoost（Chen和Guestrin, 2016）——已在大范围运行边界条件下展现出对热泵和制冷系统能效比（COP）的强预测精度（Andrade-Ambriz等, 2026, Y?ld?r?m, 2025）。在制冷领域内，Salimian Rizi等人（2024）采用时序XGBoost模型对实际运行设施中的冷站COP进行预测，Nguyen和Vo（2026）则将五种ML算法应用于由EES生成的四种制冷剂合成数据集，既展示了代理COP预测的吸引力，也揭示了模拟数据中普遍存在的类别型流体编码问题。Andrade-Ambriz等人（2026）同样在四种R134a替代制冷剂的实验台数据上训练了XGBoost代理模型以识别最高COP流体，其中工质以标签形式而非通过其热物性参数输入模型。Ashour等人（2026b）将五种ML算法与NSGA-II多目标优化相结合，在EES生成且经实验验证的数据集上筛选了六种低GWP制冷剂；同一研究团队的配套研究则结合实验测量与集成回归模型来优化热电过冷度（Ashour等, 2026a）。这两项研究均报告了出色的预测性能，但均未提供特征级解释、基于物理的流体编码或跨流体泛化测试。

这些例子反映了贯穿整个文献中的方法学缺陷。第一，类别型流体编码：对制冷剂身份使用独热编码或标签编码会阻碍对未测试流体的原则性泛化。第二，在与训练相同的制冷剂上验证：标准随机划分无法检测到跨流体外推的失效。第三，输入变量集往往未严格限定为独立边界条件；纳入与效率高度相关的变量会导致报告的R²值超出仅由运行条件所能支撑的范围。

除预测精度之外，ML模型在工程决策中的应用还要求具备物理可解释性。可解释AI（XAI）方法——特别是SHAP（SHapley Additive exPlanations）（Lundberg等, 2020, Lundberg和Lee, 2017）——已被应用于热泵系统，以验证学习到的特征重要性是否与热力学预期一致（Arabzadeh和Frank, 2025）。此类验证对于区分真正的代理学习与因过拟合而引入的统计伪影至关重要。如表1所示，此前的研究从未在单一纯实验数据框架内同时整合基于物理的流体表征、留一流体交叉验证泛化测试和基于SHAP的可解释性分析。

本研究填补了这一空白。基于高保真度的NIST蒸气压缩循环数据集（Skye, 2022），我们开发了XGBoost代理模型，其具有以下特征：（i）以四个连续的、基于物理的混合物描述符（T_c,mix、P_c,mix、ω_mix、M_mix）替代类别型制冷剂标识符，并辅以混合物组分数 N_comp，这些参数源自NIST热物性数据（Linstrom和Mallard, 2023）及ASHRAE 34-2022标准（ASHRAE, 2022）中的混合物组成；（ii）将输入变量严格限定为独立测量的热力学边界条件；（iii）通过分层五折交叉验证（CV）和十种工质的留一制冷剂交叉验证（LOOCV）评估泛化能力；（iv）通过保形校准的预测区间（PI）量化预测不确定性（具备有限样本覆盖率保证），并利用Monte Carlo传播方法将其与实验测量不确定性的贡献分离；（v）利用SHAP解释模型，确认所学习特征层级的物理一致性。研究成果是一个透明的、感知不确定性的筛选框架，能够在不牺牲科学严谨性的前提下加速低GWP制冷剂的选择过程。

章节摘要

方法论

本研究采用了一个五阶段的研究框架来开发和验证可解释的ML代理模型，如图1所示。第一阶段使用NIST实验数据集（248个稳态观测值，10种工质流体）。第二阶段进行特征工程：采用基于物理的混合物描述符——并与严格的REFPROP状态方程值进行交叉验证——来替代类别型流体标识符，同时将输入变量限定为独立测量的边界条件。第三阶段训练一个

模型验证

表6汇总了所有四个候选模型在相同的200样本训练集上进行训练、并在相同的48样本分层保留测试集上进行评估的留出测试性能、五折交叉验证和LOOCV结果。本节中所有指标均保留三位小数，与48样本测试集所能支撑的分辨率相称，且聚合评分均附带其样本离散度。XGBoost取得了最佳测试R²（0.979）、最低RMSE（0.144），并且

结论

本研究开发并验证了一个用于筛选低GWP制冷剂的可解释XGBoost代理框架，该框架完全基于248个稳态实验观测值进行训练，涵盖十种工质流体。框架的核心设计选择是以连续的、基于物理的混合物描述符——T_c,mix、P_c,mix、ω_mix和M_mix——替代类别型制冷剂标识符，这将每种流体（纯质或混合物）嵌入到共享的热力学坐标空间中，而非将其视为

CRediT作者贡献声明

Altay Arbak：写作 – 审阅与编辑、写作 – 原稿撰写、可视化、监督、方法论、调查研究、概念构思。

利益冲突声明

作者声明不存在任何已知的财务利益冲突或个人关系可能对本文所报告的研究产生影响。