论文来源Scientific Reports2026, 16:16382研究主题结合数值模拟 (CFD)、实验测试与机器学习 (ML)探究不同浓度Al2O3氧化铝- 乙二醇 (EG) 纳米流体对汽车散热器冷却性能的提升效果并建立性能快速预测模型。一、研究背景与研究缺口研究意义汽车发动机主动热控是提升整机性能与可靠性的关键传统冷却液纯水、纯乙二醇散热能力不足。纳米流体凭借高导热系数成为新一代冷却介质氧化铝纳米颗粒化学性质稳定、无毒、适配发动机高温工况是主流研究对象。现有研究不足核心研究缺口多数研究聚焦水基纳米流体但乙二醇是现代汽车主力冷却液针对乙二醇基纳米流体的研究偏少大量研究仅关注散热提升未系统评估 ** 散热增强与流动压降泵耗** 的权衡关系传统 CFD 仿真计算成本高、参数优化效率低缺少轻量化的快速预测手段。3. 本文创新点系统开展Al2O3- 乙二醇纳米流体热 - 水力综合性能评价确定最优颗粒浓度结合 CFD 仿真 台架实验交叉验证结果保证数据可靠性搭建机器学习预测框架替代重复 CFD 计算实现散热器性能快速预测与参数优化。二、研究方法与实验体系本文采用仿真 实验 机器学习三位一体的研究方案分为三大部分纳米流体物性计算、CFD 数值模拟、实验台测试、机器学习建模。一纳米流体基础参数与物性公式实验采用50~80 nm、纯度99%的Al2O3纳米颗粒配制体积浓度 1%、2%、3%、4%、5% 的Al2O3- 乙二醇纳米流体。通过经典公式计算纳米流体密度、比热容、导热系数等关键物性核心公式纳米流体密度ρnfs−Alρpsϕρbfs(1−ϕ)纳米流体比热容CpnfsρnfsϕCpsρs(1−ϕ)Cpbfsρbfs导热系数采用修正模型关联颗粒、基液导热能力与体积浓度ϕ不同浓度纳米流体物性如下规律随Al2O3浓度升高纳米流体密度、比热容、导热系数同步增大为散热提升提供物性基础。二CFD 数值模拟ANSYS-FLUENT模型与几何建模软件AutoCAD散热器尺寸400 mm (高)×300 mm (宽)×50 mm (厚)换热管内径 18 mm求解器基于压力的求解器适配汽车散热器低雷诺数强制对流工况湍流模型Realizable k–ε 湍流模型搭配增强壁面处理。2. 网格无关性验证关键仿真可靠性步骤划分粗、中、细多套网格以冷却液出口温度为判定指标结果如下网格收敛指数GCI0.48%数值误差可忽略最终选用中网格兼顾计算精度与效率。3. 边界条件统一实验 / 仿真工况冷却液入口温度80 ℃空气质量流量0.03 kg/s环境温度27.85 ℃风扇转速1500 RPM。4. CFD 分析流程几何建模→几何修复→分区域建模流体 / 固体→结构化 非结构化混合网格→物性与模型设置→迭代计算→温度 / 压力后处理。三实验台架搭建实物验证自主搭建闭式循环实验系统核心组件散热器主体铜质换热管 翅片储液罐容积 50 L50 W 离心循环泵测试元件数字热电偶测进出口温度、压力表测管路压降冷却风机1500 RPM 轴流风机提供强制对流散热。实验逻辑纳米流体在闭式回路循环流经散热器与空气换热同步采集温度、压降数据对标 CFD 仿真结果。四机器学习预测模型数据集与特征输入特征纳米颗粒浓度、冷却液入口温度、质量流量输出目标散热器出口温度、流动压降数据来源经过验证的 CFD 实验数据数据集按 8:2 划分为训练集 / 测试集。2. 模型选型对比三类回归模型线性回归 (LR)、支持向量回归 (SVR)、随机森林回归 (RFR)。最终随机森林回归效果最优用于性能预测。3. 模型评价指标采用决定系数R2、平均绝对误差 (MAE)、均方根误差 (RMSE)并通过五折交叉验证评估模型稳定性。三、核心实验与仿真结果一散热性能出口温度与温降核心结论整体规律Al2O3浓度越高冷却液出口温度越低散热器散热能力越强。纯乙二醇 (EG)CFD 出口温度 70.11 ℃实验值 69.11 ℃二者偏差5%仿真模型有效1% 浓度出口温度显著下降冷却能力提升 2.61%2% 浓度出口温度 65.51 ℃5% 浓度最优散热CFD 出口温度 60.87 ℃总温降达 19.13 ℃纯乙二醇仅 9.89 ℃散热效果提升近一倍。温度云图规律纳米流体组散热器上下温度梯度更陡峭低温区域面积更大换热更均匀。二水力性能流动压降随Al2O3浓度提升流体粘度增大管路压降小幅上升纯乙二醇压降 35.29 PaCFD1% 浓度36.79 Pa5% 浓度38.72 Pa整体变化5% 浓度相对纯乙二醇压降仅上升 8.85%增幅很小泵耗增加有限。关键优势散热大幅提升的同时流动阻力增长可控。三综合热工性能评价THE/PEC论文采用两个行业通用指标评估散热增益与压降损失的综合性价比指标1 代表综合性能优于基础冷却液热水力效率 (THE)5% 浓度下 THE1.61散热收益远大于阻力损失性能评价准则 (PEC)1% 浓度PEC1.152%1.443%1.705% 浓度峰值PEC1.83为全工况最优证明Al2O3-EG 纳米流体综合性能优异。四CFD 与实验数据对比趋势一致性所有浓度下实验与 CFD 的温度、压降变化趋势完全吻合数值偏差平均偏差5%偏差原因CFD 为理想稳态工况实验存在环境散热、气流不均、颗粒团聚、管路漏热等非理想因素属于正常误差。五机器学习模型结果预测精度五折交叉验证出口温度预测R20.995MAE0.22 ℃RMSE0.23 ℃压降预测R20.975MAE0.18 PaRMSE0.18 Pa95% 置信区间范围极窄模型稳定性、泛化能力极强无明显过拟合。2. 特征重要性排序影响散热的关键因素纳米颗粒浓度 冷却液入口温度 质量流量证明Al2O3添加量是决定散热器冷却性能的第一要素与物理规律一致。3. 模型价值训练完成的随机森林模型可替代重复 CFD 仿真输入工况参数即可秒级输出出口温度、压降大幅降低计算成本适用于散热器前期设计与参数优化。四、研究主要结论散热性能Al2O3- 乙二醇纳米流体可显著强化散热器散热5% 体积浓度为最优配比相比纯乙二醇温降提升 92%水力特性颗粒浓度提升会小幅增大流动压降但增幅仅 8.85%附加泵耗可接受实现 “散热强 阻力低” 的良好平衡综合性能全浓度下 PEC 值均大于 15% 浓度 PEC1.83证实该纳米流体是汽车散热器优质替代冷却液仿真可靠性CFD 仿真与实验数据偏差5%网格收敛指数 GCI0.48%数值模型精度可靠机器学习价值随机森林模型可精准预测散热器性能预测误差极小是 CFD 仿真的高效轻量化补充工具应用场景Al2O3- 乙二醇纳米流体适配高性能汽车发动机冷却系统具备工程落地潜力。五、总结与展望总结该研究补齐了乙二醇基氧化铝纳米流体在汽车散热器领域的研究短板通过 “仿真 - 实验 - 机器学习” 融合方案完整验证了纳米流体的热、水力性能明确 5%Al2O3为最佳使用浓度同时搭建了低成本、高效率的性能预测模型。后续研究方向论文隐含展望探究更高浓度纳米流体、混合纳米颗粒复合纳米流体的性能研究长期工况下纳米颗粒的沉降、结垢问题评估使用寿命结合更多机器学习 / 深度学习算法拓展至全工况、多类型散热器的通用预测模型。