结合计算流体动力学和机器学习的方法，用于快速准确地预测相变材料的热存储性能

高效预测翅片式相变材料热性能的混合CFD-ML/DL框架

阿里·拉德万（Ali Radwan）| 阿里·I·西亚姆（Ali I. Siam）| 埃萨姆·M·阿布-扎哈德（Essam M. Abo-Zahhad）| 萨拉赫·哈里迪（Salah Haridy）| 哈姆迪·巴希尔（Hamdi Bashir）| 穆罕默德·沙姆苏扎曼（Mohammad Shamsuzzaman）

阿联酋沙迦大学可持续与可再生能源工程系，沙迦，27272

摘要

传统计算流体动力学（CFD）模拟在模拟复杂相变过程时具有较高的计算成本和耗时特性，这成为快速设计和优化热能存储系统的主要瓶颈。为了解决这一挑战，本研究提出了一种结合CFD和机器学习/深度学习（ML/DL）的框架，以高效预测填充有相变材料（PCM）的带鳍封闭结构的热性能。该框架主要完成两项任务：一是预测PCM熔化前沿的演变过程，二是估算PCM的液相分数、温度和储存的能量。评估了多种模型，包括K最近邻（KNN）、卷积神经网络（CNN）和长短期记忆（LSTM）网络。结果表明，LSTM模型在熔化前沿预测方面表现最佳，平均决定系数（R²）为0.9908，平均绝对误差（MAE）为0.0117；而KNN模型在液相分数、温度和储存能量预测方面也具有较高的准确性和计算效率（R² > 0.997）。最佳鳍片配置将总熔化时间减少了约55.2%，同时将平均热存储率从约60.2 W提高到了131.5 W。此外，使用SHapley Additive exPlanations（SHAP）方法对所采用模型的特征重要性进行了分析，发现垂直位置和时间对熔化前沿预测具有主导作用。该框架能够在保持高准确性的同时减少计算时间。这些发现凸显了基于ML/DL的PCM建模在热能存储系统的快速设计、优化和实时控制方面的潜力。

引言

随着全球能源需求的增加以及减少温室气体排放的紧迫性，太阳能和风能等可再生能源被整合到现有能源系统中[1]。然而，这些能源的时间不稳定性和波动性导致了供需之间的严重不匹配，影响了系统的整体稳定性和可靠性。为了缓解这种波动并平衡供需，储能解决方案至关重要。其中，热能存储（TES）技术因其近乎恒定的工作温度和高能量密度而表现出色[2]。相变材料（PCM）作为LHTES系统的主要组成部分，能够在固液相变过程中储存和释放能量，在可再生能源、建筑供暖和冷却以及热管理系统中具有广泛应用前景。尽管如此，PCM的低导热性会减慢熔化和凝固过程，从而降低系统效率[3][4]。为克服这一限制，研究人员探索了多种增强技术，其中鳍片集成是最有效的方法之一[5][6]。例如，穿孔鳍片可增强自然对流，将熔化时间缩短多达45.3%[7]；通过响应面方法（RSM）优化的非均匀环形穿孔鳍片实现了最佳循环时间45.27小时[8]。其他几何创新，如弧形、不连续形、T形和受生物启发的斐波那契分形鳍片，进一步提高了熔化速率、温度均匀性和整体热存储能力[9][10][11][12]。实验验证表明，这些设计在基于CSP的热虹吸罐中的效率可高达91%[13]。这些结果证实了鳍片辅助PCM系统在工业规模储能中的实际可行性。尽管鳍片几何形状的优化显著提高了PCM的熔化速率，但这些改进通常依赖于计算密集型的数值模拟和迭代参数研究。每次新的几何修改或操作条件的变化都需要重复进行CFD分析，从而大幅增加设计时间和计算成本。为了解决这些问题并加速最优配置的探索，最近引入了人工智能（AI）和机器学习（ML）方法作为基于PCM的TES系统的替代建模工具。这些数据驱动的方法可以从CFD生成的数据集中学习，并无需重新运行完整模拟即可预测热性能。然而，大多数现有研究要么依赖独立的ML模型，要么依赖CFD模型，而没有开发出结合物理准确性和计算效率的集成CFD–ML框架。

本研究提出了一个经过验证的CFD–ML框架，能够高效预测带鳍PCM基LHTES系统的热性能。通过使用卷积神经网络（CNN）、长短期记忆（LSTM）网络、K最近邻（KNN）和在CFD生成的数据上训练的人工神经网络（ANN），该框架可以在几秒钟内估算出关键热参数，如液相分数、熔化前沿、温度场和储存能量。这种混合方法弥合了数值建模和数据驱动学习之间的差距，实现了可再生能源、建筑和工业应用中的实时预测设计和优化。

基于PCM的LHTES研究趋势

对涉及PCM的LHTES文献进行了回顾，重点关注传热增强、预测AI模型和优化方面。通过对Scopus数据库的分析（查询条件为“phase change material*” OR pcm AND “thermal energy storage” AND (enhanc* OR improve* OR augment*) AND (“heat transfer” OR thermal），发现关于PCM热存储的出版物数量呈指数级增长，从2018年开始急剧增加，到某一年达到了近8500篇记录。

方法论

本研究提出了一个结合CFD建模与ML和DL技术的集成框架。CFD模拟用于预测带鳍和不带鳍情况下PCM在腔体内的熔化行为，如图2所示。最后，通过结合ML和DL技术来降低计算成本，并提高对设计变量响应预测的准确性和效率。

图2展示了CFD模型中使用的几何模型。

结果与讨论

本节分为两个主要部分。第一部分重点讨论了带鳍封闭结构与无鳍封闭结构的热分析，评估采用了多种性能指标，包括完全熔化时间比（CMTR）、热能存储的Ragone图以及平均热存储率。第二部分介绍了利用ML和DL技术准确预测熔化前沿的方法。

结论

本研究提出了一个集成的CFD–ML/DL框架，用于预测带鳍封闭结构中PCM的熔化行为。我们研究了九种不同的鳍片配置，并利用所得数据训练和评估了ML和DL模型，以：(i) 预测熔化前沿的几何形状；(ii) 估算相关的热性能参数（液相分数、PCM温度和总储存能量）。CFD研究证实，鳍片几何形状和布置对熔化过程有显著影响。

CRediT作者贡献声明

阿里·拉德万（Ali Radwan）：撰写初稿、验证、软件开发、方法论设计、数据分析、概念构建。 阿里·I·西亚姆（Ali I. Siam）：撰写初稿、方法论设计、数据分析、概念构建。 埃萨姆·M·阿布-扎哈德（Essam M. Abo-Zahhad）：撰写初稿、方法论设计、概念构建。 萨拉赫·哈里迪（Salah Haridy）：审稿与编辑、方法论设计、数据分析、概念构建。 哈姆迪·巴希尔（Hamdi Bashir）：审稿与编辑、监督工作。

伦理审批

不适用。

资助

本研究未接受任何外部资助。

利益冲突声明

作者声明没有已知的财务利益或个人关系可能影响本文所述的工作。