Прогнозирование производительности холодильных систем
Оценка характеристик холодильных систем с альтернативными хладагентами требует значительных экспериментальных ресурсов. Тестирование различных хладагентов с низким потенциалом глобального потепления (GWP) занимает время и требует испытательных стендов. Машинное обучение предлагает вычислительный подход к этой задаче.
Применение XGBoost для прогнозирования производительности
Исследование, опубликованное в ScienceDirect, применяет алгоритм eXtreme Gradient Boosting для моделирования производительности холодильной системы с минимальным объёмом экспериментальных данных. Модель использует температуры и вторичные потоки в конденсаторе и испарителе в качестве входных данных и прогнозирует коэффициент производительности (COP), потребляемую мощность, холодопроизводительность, расход хладагента для четырёх хладагентов: R134a, R513A, R516A и R1234ze(E).
Точность модели
Модель достигает общего коэффициента детерминации выше 0,98 и общей точности 96,13%. Это позволяет моделировать различные рабочие значения экспериментального стенда для определения наиболее эффективного хладагента для достижения наивысшего COP. R1234ze(E) и R513A показали наивысший COP.
Прогнозирование характеристик компрессоров на R290
Исследование, опубликованное в ScienceDirect, представляет интегрированную data-driven структуру для прогнозирования характеристик спиральных компрессоров на R290 (низкий GWP природный хладагент). Структура использует Multitask Lasso для выбора признаков, затем гиперпараметрически оптимизированную модель XGBoost для регрессии. Модель достигла значений R? выше 0,98.
Интерпретируемое машинное обучение для прогнозирования COP
Исследование, опубликованное в ScienceDirect, представляет интерпретируемый XGBoost-сурогат для прогнозирования COP десяти низко-GWP хладагентов с использованием данных NIST. Физически обоснованные дескрипторы смесей заменяют категориальное кодирование хладагентов. Тесты leave-one-refrigerant-out подтверждают перенос на жидкости, не виденные в обучении.
Перспективы
Гибридное моделирование, сочетающее XGBoost с физическими моделями, показало улучшение MAE на 86,4% и RMSE на 82,35% после оптимизации гиперпараметров. Это открывает путь к виртуальному проектированию и сертификации холодильного оборудования.
По всем вопросам звоните нам по номеру +7 (383) 305-43-15