HuggingFace镜像/mhd-nanofluid-ev-thermal-surrogate

磁流体动力学混合纳米流体电动汽车电池热管理——神经替代模型 + 粒子群优化

一种物理校准的神经网络替代模型，用于预测电动汽车电池热管理中磁流体动力学混合纳米流体冷却系统的热性能，并结合粒子群优化（PSO） 进行智能参数优化。

🔬 概述

该模型用快速的神经网络替代模型取代了昂贵的计算流体动力学模拟，可预测：

输出	描述	单位
`T_max`	电池表面最高温度	°C
`Nu`	努塞尔数（传热系数）	—
`S_gen`	总熵产（归一化）	—
`delta_T`	电池单体间温差	°C
`BL_suppression`	边界层抑制	%
`k_ratio`	热导率比（k_hnf/k_bf）	—

输入参数为3个：

输入	范围	描述
`Ha`	0–60	哈特曼数（磁场强度）
`phi`	0.01–0.05	纳米颗粒体积分数
`u_in`	0.05–0.30 m/s	入口流速

📊 模型性能

指标	R² 得分	MAE	MAPE (%)
T_max	0.979	0.76°C	1.76
Nu	0.960	0.54	2.53
S_gen	0.991	0.012	3.27
delta_T	0.980	0.21°C	1.67
BL_suppression	0.999	0.20%	6.96
k_ratio	0.999	0.002	0.17
总体	0.985	—	—

🏗️ 架构

类型：带残差连接的多输出多层感知器
层数：[64, 128, 128, 64] 隐藏单元
激活函数：Tanh（物理平滑）
训练：2000个 epoch，Adam 优化器，物理知情损失
数据集：5000个来自控制方程的拉丁超立方样本

⚡ PSO 优化结果

PSO 优化器找到的最佳冷却参数：

参数	PSO 最优值	文献参考值
Ha	~22–32	32.4
φ	~0.04–0.05	0.038
u₀	~0.19–0.29 m/s	0.187 m/s

主要结果：

🌡️ 峰值温度降低：较传统冷却降低25–35%
📉 熵最小化：约降低31.5%
✅ 电池温度维持在安全范围内（< 40°C）

🚀 快速开始

import torch
import numpy as np
import json

# Load model
from model import ThermalSurrogateModel, DataNormalizer, get_model_config

config = get_model_config()
model = ThermalSurrogateModel(
    input_dim=3, hidden_dims=[64, 128, 128, 64], 
    output_dim=6, dropout=0.0
)
model.load_state_dict(torch.load('model.pt', weights_only=True))
model.eval()

normalizer = DataNormalizer.load('normalizer.json')

# Predict: [Ha=32.4, phi=0.038, u_in=0.187]
X = np.array([[32.4, 0.038, 0.187]], dtype=np.float32)
X_norm = normalizer.transform_input(X)
with torch.no_grad():
    pred = model(torch.tensor(X_norm)).numpy()
result = normalizer.inverse_transform_output(pred)
print(f"T_max: {result[0,0]:.1f}°C, Nu: {result[0,1]:.1f}")

📂 文件

文件	描述
`model.pt`	训练好的 PyTorch 模型权重
`normalizer.json`	输入/输出归一化参数
`config.json`	模型架构配置
`model.py`	模型类定义
`data_generator.py`	基于物理的合成数据生成器
`pso_optimizer.py`	PSO 优化模块
`predict.py`	高级预测接口
`train.py`	训练脚本
`evaluation.json`	评估指标
`pso_results.json`	PSO 优化结果 + 帕累托前沿

📄 基于

论文："AI-Assisted Thermodynamic Optimization of MHD Hybrid Nanofluid Flow for Electric Vehicle Battery Thermal Management Using Particle Swarm Optimization"

控制方程

连续性方程：∂u/∂x + ∂v/∂y = 0

动量方程（NS + MHD）：ρ_hnf(u·∂u/∂x + v·∂u/∂y) = -∂p/∂x + μ_hnf·∇²u - σ_hnf·B₀²·u

能量方程：(ρCₚ)_hnf(u·∂T/∂x + v·∂T/∂y) = k_hnf·∇²T + μ_hnf·Φ + σ_hnf·B₀²·u²

熵方程：S_gen = k_hnf/T₀²·|∇T|² + μ_hnf/T₀·Φ + σ_hnf·B₀²·u²/T₀

📜 许可证

Apache 2.0