机器学习在沸腾传热过程中的应用进展

摘要

沸腾传热广泛存在于锅炉水冷壁、核反应堆蒸发器等能源动力装备，是系统高效运行的关键，对其进行准确预测可有效避免装备局部过热、蒸干、超温等问题。传统预测模型存在难以突破复杂多物理场耦合的瓶颈，而机器学习方法可通过数据驱动建模和智能分析，为解决该问题提供新思路。首先，综述了人工智能技术在沸腾传热预测中的应用，总结了近年来采用机器学习算法在传热系数预测、气泡动力学参数提取等方面的工作，结果表明虽然人工智能在沸腾传热中展现出显著优势，但仍面临数据依赖性高、模型“黑盒”特性强和计算资源需求大等挑战。然后，阐述了机器学习在沸腾传热中的未来研究方向，包括但不限于快速及低成本的多相流仿真、跨场景的泛化模型开发和传热系统的实时动态控制。最后，指出融合物理定律与数据驱动、构建数据集及开源算法将成为推动人工智能在沸腾过程深度应用的关键，从而进一步助力高效能源动力系统开发。该研究可为机器学习方法在沸腾传热过程中的智能预测、优化设计与安全控制提供参考。

关键词

沸腾传热 / 机器学习 / 传热系数预测

基金资助

国家自然科学基金国际（地区）合作资助项目（W2412082）