基于机器学习的气液相变换热反演及应用

相比于线性的热传导问题，气泡信息的快速获取，换热系数的预测、沸腾现象的非线性预测的问题研究目前仍极具挑战。本文使用卷积神经网络、深度前馈神经网络、经验关联式结合随机森林的数据驱动方法，进行气泡动力学行为的快速获取、相变换热系数的快速反演及沸腾特殊现象的预测。结果表明，数据驱动的机器学习方法能够快速准确地预测相变换热过程中的问题，气泡信息获取准确率达到96%，相变换热系数反演及特殊现象预测拟合优度均高于0.95。本研究可为相变换热反演问题提供新的解决思路。