[论文解读] Transfer-learning-based Surrogate Model for Thermal Conductivity of Nanofluids

Saeel S. Pai, Abhijeet Banthiya|arXiv (Cornell University)|Jan 2, 2022

Nanofluid Flow and Heat Transfer被引用 4

一句话总结

本文提出了一种基于迁移学习的代理模型，采用人工神经网络预测含有球形颗粒的纳米流体的导热系数，涵盖32种颗粒-流体组合。通过在低精度相关性生成的数据上进行预训练，并利用有限的高质量实验数据进行微调，该模型实现了0.93的拟合优度，显著优于仅使用实验数据训练的基线模型（R² = 0.83）。

ABSTRACT

Heat transfer characteristics of nanofluids have been extensively studied since the 1990s. Research investigations show that the suspended nanoparticles significantly alter the suspension's thermal properties. The thermal conductivity of nanofluids is one of the properties that is generally found to be greater than that of the base fluid. This increase in thermal conductivity is found to depend on several parameters. Several theories have been proposed to model the thermal conductivities of nanofluids, but there is no reliable universal theory yet to model the anomalous thermal conductivity of nanofluids. In recent years, supervised data-driven methods have been successfully employed to create surrogate models across various scientific disciplines, especially for modeling difficult-to-understand phenomena. These supervised learning methods allow the models to capture highly non-linear phenomena. In this work, we have taken advantage of existing correlations and used them concurrently with available experimental results to develop more robust surrogate models for predicting the thermal conductivity of nanofluids. Artificial neural networks are trained using the transfer learning approach to predict the thermal conductivity enhancement of nanofluids with spherical particles for 32 different particle-fluid combinations (8 particles materials and 4 fluids). The large amount of lower accuracy data generated from correlations is used to coarse-tune the model parameters, and the limited amount of more trustworthy experimental data is used to fine-tune the model parameters. The transfer learning-based models' results are compared with those from baseline models which are trained only on experimental data using a goodness of fit metric. It is found that the transfer learning models perform better with goodness of fit values of 0.93 as opposed to 0.83 from the baseline models.

研究动机与目标

• 解决缺乏通用理论模型来预测纳米流体中异常导热系数增强现象的问题。
• 克服用于训练稳健预测模型的高质量实验数据有限的挑战。
• 开发一种数据高效的代理模型，同时利用低精度相关性数据与高精度实验数据。
• 通过迁移学习提升在多种颗粒-流体组合中对导热系数的预测精度。
• 证明迁移学习在提升复杂非线性纳米流热现象机器学习模型性能方面的有效性。

提出的方法

• 采用迁移学习训练人工神经网络：首先在大规模相关性生成数据集（精度较低）上训练，随后在小规模实验数据集（精度较高）上进行微调。
• 使用32种颗粒-流体组合（8种颗粒材料 × 4种基础流体）评估模型在多样化纳米流体系统中的泛化能力。
• 采用两阶段训练策略：先在合成相关性数据上进行粗调以学习广泛模式，再在真实实验数据上进行微调以优化预测结果。
• 使用拟合优度指标（R²）定量比较迁移学习模型与仅基于实验数据训练的基线模型的性能。
• 应用标准深度学习架构并进行超参数调优，以优化模型收敛性与预测精度。
• 通过在多种颗粒类型和基础流体（包括水、乙二醇及其他常见流体）上验证预测结果，确保模型的鲁棒性。

实验结果

研究问题

• RQ1 与仅使用实验数据训练的模型相比，迁移学习是否能提高纳米流导热系数代理模型的预测精度？
• RQ2 在纳米流导热系数预测背景下，使用低精度相关性数据作为神经网络预训练源的效果如何？
• RQ3 该迁移学习方法在纳米流体中多样化颗粒-流体组合上的泛化能力达到何种程度？
• RQ4 在实验数据有限的情况下，使用迁移学习相较于传统监督学习在模型性能上带来了多大程度的定量提升？
• RQ5 混合数据训练（相关性数据 + 实验数据）是否能生成更稳健、更准确的代理模型，以应对复杂非线性热现象？

主要发现

• 基于迁移学习的代理模型实现了0.93的拟合优度（R²），显著优于仅使用实验数据训练的基线模型（R² = 0.83）。
• 该模型在32种不同的颗粒-流体组合中表现出强大的泛化能力，表明其对材料属性变化具有鲁棒性。
• 在相关性生成数据上进行预训练，实现了更快的收敛速度和更优的参数初始化，从而在数据质量较低的情况下仍取得了更优的最终性能。
• 在有限实验数据上进行微调，有效纠正了基于相关性的预测中的系统性偏差，提升了预测精度。
• 混合训练策略减少了过拟合现象，增强了模型稳定性，尤其在高质量实验数据稀缺的背景下表现突出。
• 结果证实，迁移学习是数据稀缺科学领域（如纳米流体热物理学）中构建高精度代理模型的可行且有效方法。