基于响应面法与机器学习的ZrO?-丙酮纳米流体振荡热管热性能优化研究

《Scientific Reports》：Data-driven and experimental optimization of thermal performance in ZrO? Nanofluid oscillating heat pipes

　　

摘要

小型电子设备和电动汽车（EV）电池日益增长的热负荷，对开发精密的热控系统提出了更高要求。本研究采用响应面法（RSM）与机器学习（ML）相结合的技术，对充注 ZrO?-丙酮纳米流体的振荡热管（OHP）的热性能进行了实验研究与优化。输入参数，即 ZrO? 纳米颗粒浓度（1–3 wt.%）、充液率（40–80%）和热输入（15–35 W），根据 Box–Behnken 实验设计进行系统变化，以评估其对热阻（TR）和传热系数（HTC）的影响。采用方差分析（ANOVA）和响应面分析来确定工艺参数及其相互作用的显著性，同时开发了 K 近邻（KNN）、支持向量机（SVM）和极端梯度提升（XGBoost）模型来预测热性能。结果表明，热输入和充液率是影响 TR 和 HTC 的主要因素，而在研究范围内，纳米颗粒浓度的影响相对较小。最佳运行条件约为 ZrO? 浓度 2 wt.%、充液率 80% 和热输入 35 W，此时获得的最小热阻为 1.03 °C/W，最大传热系数约为 222 W/m²·°C。本工作的创新之处在于将实验研究与基于 RSM 的优化以及针对 ZrO? 纳米流体基 OHP 的对比机器学习预测模型相结合，为先进热管理应用中的热性能预测与优化提供了一个有效的数据驱动框架。