[论文解读] Data-driven modeling for boiling heat transfer: using deep neural networks and high-fidelity simulation results

Yang Liu, Nam Dinh+2 more|arXiv (Cornell University)|Jun 8, 2018

Heat Transfer and Boiling Studies被引用 5

一句话总结

本文提出一种基于高保真仿真数据训练的深度前馈神经网络模型，用于预测沸腾换热特性，利用局部壁面附近特征（如动量、能量输运、压力梯度和表面特性）作为输入。该模型在插值和外推测试中均表现出高精度，与传统经验模型相比，对壁面过热度、热流成分和近壁空隙率的预测具有更小的不确定性。

ABSTRACT

Boiling heat transfer occurs in many situations and can be used for thermal management in various engineered systems with high energy density, from power electronics to heat exchangers in power plants and nuclear reactors. Essentially, boiling is a complex physical process that involves interactions between heating surface, liquid, and vapor. For engineering applications, the boiling heat transfer is usually predicted by empirical correlations or semi-empirical models, which has relatively large uncertainty. In this paper, a data-driven approach based on deep feedforward neural networks is studied. The proposed networks use near wall local features to predict the boiling heat transfer. The inputs of networks include the local momentum and energy convective transport, pressure gradients, turbulent viscosity, and surface information. The outputs of the networks are the quantities of interest of a typical boiling system, including heat transfer components, wall superheat, and near wall void fraction. The networks are trained by the high-fidelity data processed from first principle simulation of pool boiling under varying input heat fluxes. State-of-the-art algorithms are applied to prevent the overfitting issue when training the deep networks. The trained networks are tested in interpolation cases and extrapolation cases which both demonstrate good agreement with the original high-fidelity simulation results.

研究动机与目标

• 开发一种数据驱动的沸腾换热模型，以减少与传统经验关联式相比的不确定性。
• 利用池沸腾的高保真第一性原理仿真结果作为深度神经网络的训练数据。
• 基于局部壁面附近物理特征，预测关键沸腾换热参数——壁面过热度、热流分量和近壁空隙率。
• 通过在插值和外推场景下的测试，确保模型的泛化能力。
• 通过先进的正则化技术，缓解深度网络中的过拟合问题。

提出的方法

• 使用不同热流密度下池沸腾的高保真仿真数据，训练深度前馈神经网络。
• 将局部壁面附近特征作为输入：动量和能量的对流输运、压力梯度、湍流粘度以及表面信息。
• 采用先进的正则化技术，防止网络训练过程中的过拟合。
• 将输出定义为沸腾换热分量、壁面过热度和近壁空隙率。
• 通过插值和外推案例验证模型，评估其泛化性能。
• 使用第一性原理仿真结果作为网络训练和评估的基准真实值。

实验结果

研究问题

• RQ1 基于高保真仿真数据训练的深度神经网络，能否在不同工况下准确预测沸腾换热？
• RQ2 该模型在未见工况下的泛化能力如何，包括超出训练数据范围的外推性能？
• RQ3 与全局或整体流场参数相比，使用局部壁面附近特征在多大程度上提升了预测精度？
• RQ4 与传统经验关联式相比，该数据驱动模型能否降低不确定性？
• RQ5 在高维输入空间中，先进正则化技术对模型稳定性与泛化能力有何影响？

主要发现

• 深度神经网络模型在插值和外推案例中，与高保真仿真结果均表现出良好一致性。
• 该模型成功预测了关键沸腾换热参数，包括壁面过热度、热流分量和近壁空隙率。
• 正则化技术有效防止了过拟合，确保了在未见数据上的稳健性能。
• 模型展现出强大的泛化能力，表明其在实际工程应用中具有潜力。
• 使用局部壁面附近特征可实现高精度预测，且无需依赖全局系统参数。
• 数据驱动方法相比传统经验模型显著降低了不确定性，为热力系统设计提供了有前景的替代方案。