Machine Learning-Based Performance Prediction of Pulsating Heat Pipe

Kurzfassung

Der anthropogene Klimawandel erhöht den Bedarf an Forschung und Entwicklung, um Treibhausgasemissionen nachhaltig zu senken. Dabei erfordert die Dekarbonisierung des Verkehrssektors, insbesondere in der Luftfahrt, innovative Ansätze zur Entwicklung und Integration alternativer Antriebskonzepte, um deren effizienten und sicheren Betrieb zu gewährleisten. Als vielversprechendes alternatives Antriebskonzept gelten Polymerelektrolytmembran-Brennstoffzellen (PEMFCs), die jedoch ein anspruchsvolles thermisches Management erfordern. In diesem Zusammenhang könnten pulsierende Wärmerohre (engl. Pulsating Heat Pipes, PHPs) einen vielversprechenden Lösungsansatz bieten. Aufgrund ihrer hohen geometrischen Gestaltungsfreiheit, kompakten Bauweise und passiver Arbeitsweise sind sie für Luft- und Raumfahrtanwendungen geeignet und können in bestehende Komponenten, wie beispielsweise die Bipolarplatten von Brennstoffzellen, integriert werden. Ihr komplexes Zweiphasenströmungsverhalten erschwert die genauere Leistungsvorhersage über numerische Berechnungsmethoden als Auslegungswerkzeug ganzer PHP-Systeme. Diese Arbeit entwickelt ein auf maschinellem Lernen (ML) basierendes Modell, um das thermische Verhalten von PHPs vorherzusagen. Der Zielparameter ist der thermische Widerstand, charakteristisch für die thermische Leistungsfähigkeit der PHP. Die Schätzungen des Modells werden abschließend mit CFD-Simulationen als alternativem Ansatz zur Leistungsprognose sowie mit experimentellen Messungen verglichen. Schlüsselparameter von PHPs wie der Wärmestrom, effektive Fläche, Füllgrad, Neigungswinkel, geometrische Merkmale (z.B. hydraulischer Durchmesser, Anzahl der Windungen) und dimensionslose Kennzahlen werden als Eingabeparameter in das ML-Modell einbezogen. Insgesamt wurden 3.473 Datenpunkte aus früheren Publikationen zu PHP-Experimenten zusammengetragen. Aufgrund seiner Genauigkeit, Interpretierbarkeit und Effizienz bei der Arbeit mit komplexen Datensätzen wird XGBoost, ein auf Gradient Boosting basierendes Modell, für die Vorhersageaufgabe ausgewählt. Die Schätzungen des Modells zeigen eine hohe Vorhersagegenauigkeit mit niedrigen Fehlermetriken wie RMSPE = 20,2% und R2 = 0,941. Die SHAP-Analyse quantifiziert die relativen Beiträge der Eingabeparameter zur Gesamtvorhersage, wobei die Wärmestromdichte im Verdampferteil der PHP den dominierenden Einfluss auf die Modellschätzungen hat. Die darüber hinaus durchgeführten CFD-Simulationen bestätigen den hohen Rechenaufwand, der für die Modellierung von PHPs erforderlich ist. Gleichzeitig zeigt sich, dass zur Gewährleistung rechnerischer Umsetzbarkeit simulative Vereinfachungen notwendig sind, die die Übereinstimmung mit den zur Validierung herangezogenen experimentellen Messungen einschränken. Insgesamt tragen CFD-Simulationen zu einem besseren Verständnis des Verhaltens von PHPs und den zugrunde liegenden simulativen Herausforderungen bei, ihr praktischer Nutzen für die Auslegung neuer PHPs bleibt jedoch durch große Abweichungen mit den Validierungsdaten sowie dem hohen Rechenaufwand eingeschränkt. Im Gegensatz dazu bietet das ML-Modell die erforderliche Geschwindigkeit und Zuverlässigkeit für eine großflächige Designoptimierung und stellt damit einen Fortschritt in der Auslegung und Analyse von PHPs für die Kühlung von Luft- und Raumfahrtsystemen dar.