Исследование на основе машинного обучения и эксперимента по прогнозированию коэффициента теплопередачи при кипении в вертикальных и невесомых условиях с использованием данных горизонтального потока

Machine-Learning and Experimental Study on Predicting the Heat Transfer Coefficient in Vertical and Microgravity Flow Boiling Using Horizontal Flow Data
Tomihiro Kinjo, Takeshi Mochizuki, H. Nakano, Koji Enoki, Yuichi Sei
2026-03-25

эксперименты кипения R1233zd(E)кипение в вертикальном и микрогравитационном режимахпредсказание коэффициента теплоотдачипредобучение на данных горизонтального потокатрансферное обучение (предобучение и дообучение)
В настоящем исследовании разработан высокоточный метод прогнозирования характеристик теплопередачи при кипении на всём диапазоне от низкой качественной доли до постсухопарной (post-dryout) области, независимо от свойств хладагента, условий потока, ориентации гравитации и гравитационной среды. Предложен комбинированный подход на основе машинного обучения и экспериментальных исследований. Была создана новая экспериментальная установка для измерения коэффициента теплопередачи при кипении R1233zd(E) в восходящем потоке от низкой качественной доли до постсухопарной области. Эксперименты проводились при q = 3–9 кВт/м−2 и G = 30–90 кг/м−2 с−1, что предоставило новые данные в диапазонах параметров, недостаточно представленных в предыдущих работах. Результаты экспериментов отклонялись от трендов, предсказанных существующими корреляциями, и были прояснены эффекты теплового потока и массового потока на наступление сухого остатка (dryout). Построена обширная база данных, объединяющая 1433 точки, полученные в этом исследовании, с данными из литературы, в результате чего для восходящего потока получено 3289 точек. Дополнительные базы данных включают 467 точек для нисходящего потока и 222 точки для микрогравитации. Хотя модели машинного обучения обычно требуют больших наборов данных, их точность прогноза ухудшается при ограниченности доступных данных. Для решения этой проблемы предложенный метод выполняет предварительное обучение на данных горизонтального потока, которые тесно связаны с характеристиками теплопередачи для вертикальных восходящих/нисходящих и микрогравитационных потоков, с последующей донастройкой на целевых наборах данных. Полученная модель точно предсказывает коэффициенты теплопередачи от низкой качественной доли до постсухопарной области без зависимости от свойств хладагента, условий потока, ориентации гравитации или гравитационной среды.
1
Сформирована всеобъемлющая база данных для восходящего потока из 3 289 точек, объединяющая 1 433 новых точки с данными из литературы; дополнительно собраны 467 точек для нисходящего потока и 222 точки для микро гравитации.
2
Новый метод машинного обучения в сочетании с экспериментами предсказывает коэффициент теплоотдачи от низкого качества до пост-сухого режима без зависимости от свойств хладагента, условий потока, ориентации или гравитационной среды.
3
Экспериментальные результаты отклонились от прогнозов существующих корреляций и прояснили влияние теплового потока и массового расхода на начало сухого пятна.
4
Разработано новое экспериментальное устройство для измерения коэффициента теплоотдачи кипения R1233zd(E) при восходящем потоке при q = 3–9 кВт/м² и G = 30–90 кг/м²с, заполняя ранее недостающие диапазоны параметров.
5
Чтобы преодолеть ухудшение точности при ограниченных данных, метод выполняет предобучение на данных горизонтального потока и дообучение на вертикальных/микрогравитационных наборах, улучшая точность предсказаний при меньших наборах данных.

Экспериментальные данные и наборы данных по теплопереносу при кипении R1233zd(E) в восходящем, нисходящем и микрогравитационном/вертикальном режимах течения (включая сформированную объединённую базу данных)

Прогнозирование коэффициента теплопередачи при кипении от низкого качества пара до пост-сухогоражного режима (включая наступление сухого хода) с помощью машинного обучения, предварительно обученного на данных для горизонтального течения и дообученного на вертикальных/микрогравитационных наборах данных, независимо от свойств хладагента, условий потока и ориентации/условий гравитации

Publication Details
Publication Date
2026-03-25
Journal
Publisher
ISSN
Cited by
0
Access Type
Author Information
Authors
Tomihiro Kinjo
Takeshi Mochizuki
H. Nakano
Koji Enoki
Yuichi Sei
Explore further
Open the scid.ai AI chat with a ready-made request: it will find papers on a similar topic and help build a literature review.
Find similar papers in the chat
Make a presentation
100%