Оптимизация обучения и нейронная сеть для эффективного прогнозирования скорости теплообмена в трубчатых теплообменниках

Теплообменники широко используются во многих областях для передачи тепла от одной среды к другой. В теплообменниках применяются одна или несколько рабочих сред, и они бывают различных типов в зависимости от конфигурации потока и конструкции. Проектирование теплообменников является важной областью исследований ввиду их применения. В последние десятилетия для большинства инженерных задач применяется моделирование. Корректные методы моделирования позволяют эффективно анализировать функциональность и поведение аппарата до его изготовления или производства. В этом контексте в некоторых аналитических моделях используются методы машинного обучения для моделирования машин или двигателей. В данной работе мы использовали гибридную нейронную сеть для моделирования кожухо-трубного теплообменника и эффективно предсказали его скорость теплообмена. Вычислительная производительность предложенного метода сопоставлена с традиционными методами, что демонстрирует эффективность гибридного подхода машинного обучения.