相变冷却换热器动态热响应降阶预测方法研究

摘要

针对非稳态运行环境下，由高热导率多孔骨架与相变材料组成的相变冷却换热器在动态热响应分析中计算成本高的问题，提出了一种结合本征正交分解与神经网络的高效预测降阶模型。通过焓法模型与多孔介质模型的耦合，数值模拟得到相变冷却换热器温度与液化率数据集，并分析了其储热性能。采用本征正交分解对其进行降阶处理，进一步通过前馈神经网络，实现热流边界与时间向模态系数的非线性映射以及物理场的快速重构。研究结果表明：热流密度为7 W·cm^-2时，温度的仿真数据与实验结果之间的最大误差为8%。复合多孔石墨显著提升了相变冷却换热器的传热能力。前馈神经网络中，温度与液化率模态系数的预测决定系数分别达到0.999和0.952。降阶重构后的温度与液化率最大绝对误差分别为0.6℃和0.08。与传统模拟方法需耗费数小时相比，该方法在保持计算精度的同时将预测时间缩短至秒级。该研究为相变冷却换热器的高效分析与实时预测提供了一种新思路。

关键词

相变冷却换热器 / 焓法模型 / 储热性能 / 降阶模型 / 神经网络

基金资助

国家资助博士后研究人员计划资助项目（GZB20250156）