基于可解释机器学习的超临界流体传热特性预测与分析
来源：核动力工程杂志2024年第6期北京时间：
作者：李浩哲, 宋美琪, 刘晓晶
单位：1.上海交通大学机械与动力工程学院，上海，200240；2.上海交通大学国家电投智慧能源创新学院，上海，200240；3.上海市数值反应堆技术融合创新中心，上海，200240；
摘要：超临界流体在拟临界温度附近发生剧烈的物性变化，传热特性难以准确预测。本研究采用可解释机器学习的研究方法预测并分析超临界流体传热特性。使用粒子群优化算法（PSO）搜索反向传播神经网络（BPNN）模型最优超参数，建立了超临界流体传热预测模型，并与传统经验关联式进行了精度比较。使用SHAP可解释算法对BPNN模型进行了全局和局部解释，根据不同工况下特征重要度的变化发现超临界相关机理现象。结果显示，所建立的神经网络模型在测试集上的平均绝对百分比误差（MAPE）为1.4%，决定系数<i>R</i><sup>2</sup>为0.9992，与经验关联式相比，该模型具有更高的预测精度；对于垂直向上流动，浮升力效应在传热恶化工况中明显具有更高的特征重要度，是传热恶化行为发生的主要因素。因此，本研究建立的基于可解释机器学习的研究方法对进一步研究超临界流体传热特性具有一定的参考意义。
关键词：超临界流体, 可解释机器学习, 传热预测
基金资助：国家自然科学基金青年科学基金项目（12305189）
