机器学习模型预测纳米增强相变材料有效热导率的研究与比较

《Scientific Reports》：Machine learning models for predicting thermal conductivity of nano?enhanced phase-change materials

　　

摘要

相变材料(PCM)的低热导率仍然是其高效应用于热能储存的主要障碍。纳米增强相变材料(NEPCM)提供了一种有前景的替代方案；因此，准确预测其热导率具有重要意义。本研究开发了六种机器学习(ML)模型来预测NEPCM的有效热导率：多层感知神经网络(MLPNN)、径向基函数神经网络、最小二乘支持向量机、决策树、k-最近邻和树突形态神经网络模型。采用了一个包含324个数据样本的数据集，具有六个输入参数：温度、纳米颗粒浓度、纳米颗粒尺寸、纳米颗粒热导率、PCM热导率和PCM相态。基于统计和图形方法，评估并比较了ML模型和五种经典经验关联式的性能。进行了物理趋势分析以进一步验证ML模型的性能。在本研究比较的模型中，MLPNN模型在编译数据集上取得了最佳的整体性能（决定系数(R²)=0.9924，均方根误差=0.0476，平均绝对百分比误差=3.10%），在所考察的条件下表现优于其他ML模型和经典经验关联式。MLPNN成功捕捉了相对于每个输入参数的预期热导率变化，并在大多数输入范围内表现良好，仅在浓度高、极端温度和特定PCM类型时误差略有增加。本工作为选择适当的ML模型提供了系统基准，并展示了数据驱动方法在预测NEPCM热导率方面的优越性。