基于机器学习的双室移动床热化学储能中热质传递建模

《Journal of Energy Storage》：Machine learning-based modelling of heat and mass transfer in a dual-compartment moving-bed thermochemical energy storage

　　

热化学储能（Thermochemical Energy Storage, TCES）系统对于利用可再生能源至关重要，与潜热和显热储能方法相比，其具有高能量密度和长期储能能力。为了发挥这些优势，准确模拟充放电过程中复杂、瞬态的热质传递对于优化系统性能和设计至关重要。本研究通过关注一种新颖的双室移动床（Dual-Compartment Moving-Bed, DCMB）热化学反应器设计（不同于经常研究的固定床反应器）并利用先进的机器学习进行性能预测，弥补了文献中的一个空白。研究人员开发了两个不同的极端梯度提升（Extreme Gradient Boosting, XGBoost）模型，使用浮石-氯化钙（Pumice-Calcium Chloride, PM-CaCl₂）复合热化学材料来预测系统性能。模型使用一个包含1991个数据点的综合性实验数据集进行训练，这些数据点是在不同入口条件和流速下进行的测试中收集的。模型1预测了放热放电阶段的热输出和质传递，而模型2预测了吸热充电阶段所需的热输入和质传递。模型表现出出色的预测精度，验证了其泛化复杂动力学的能力。所有四个输出参数都获得了高决定系数，其值超过0.980。此外，误差幅度很小，热变量的均方误差（Mean Squared Error, MSE）保持在1.8 × 10^?3以下。这些结果验证了极端梯度提升框架作为一种高度可靠和精确的工具，用于表征这种创新的双室移动床热化学储能系统的瞬态充放电行为，并确认了其仅基于易于测量的入口操作参数处理复杂耦合物理现象的能力。

**基于机器学习的双室移动床热化学储能系统热质传递建模研究解读**

**研究背景与意义**
气候变化影响加剧与全球能源需求快速增长，加强了对可持续和可再生能源的需求。热化学储能（TCES）系统是一项有前景的技术，能够缓解可再生能源供应的间歇性和周期性。相较于显热储能（SHS）和潜热储能（LHS）系统，TCES具有显著更高的能量密度、长期储能能力以及最小的热损失。TCES通过吸热反应储存热能，并通过可逆的放热反应释放热能，实现高效可靠的能量回收。然而，TCES系统性能受材料选择和系统设计影响，且涉及多孔反应材料中同时发生的强耦合热质传递过程。在充放电操作期间，系统性能受到蒸汽传输、反应动力学、对流传热、扩散阻力和反应床内瞬态热梯度的影响。在移动床TCES构型中，由于局部热力学条件的变化，这些机制变得更加复杂。

传统的基于计算流体力学（Computational Fluid Dynamics, CFD）的模型虽然能提供详细的物理洞察，但计算密集，通常不适用于快速的系统级预测、控制或优化。因此，人工神经网络（Artificial Neural Networks, ANNs）等机器学习（Machine Learning, ML）方法在储能研究中变得流行。然而，当前机器学习在热能储能（Thermal Energy Storage, TES）中的应用大多集中在潜热和显热储能，在热化学储能系统中的应用仍然有限，且先前研究主要关注固定床反应器构型。

本研究针对一种新颖的双室移动床热化学储能（DCMB-TCES）系统，其特点是吸附床在分离区域之间移动，导致强烈瞬态、非均匀且高度耦合的热质传递过程。这些特征带来了显著的建模挑战，并限制了为更简单反应器构型开发的现有数据驱动模型的适用性。因此，本研究旨在填补这一关键空白，开发数据驱动的极端梯度提升（XGBoost）模型来预测使用浮石-氯化钙（PM-CaCl₂）作为热化学材料（Thermochemical Material, TCM）的双室移动床热化学储能系统的充放电过程。

**研究方法概述**
研究人员基于先前对双室移动床热化学储能系统的实验工作获得数据，开发了两个独立的XGBoost预测模型。模型输入参数包括入口空气温度（T_in）、入口空气相对湿度（RH_in）、空气流量（m_a）和操作时间，这些变量直接影响支配热化学储能性能的耦合传递现象。模型1使用放电过程数据训练，旨在预测放热放电阶段的热输出（Q_out）和空气绝对湿度变化（Δw）。模型2使用充电过程数据训练，旨在预测吸热充电阶段所需的热输入（Q_in）和空气绝对湿度变化（Δw）。研究使用了一个包含1991个数据点的综合实验数据集，数据点来自在不同入口条件和流速下进行的测试，包括评估全系统性能的连续床测试以及在三种不同空气流速下进行的独立测试。数据集按70/30的比例随机分为训练集和测试集。模型开发采用随机搜索交叉验证进行超参数优化，最终确定的关键参数包括学习率（η）为0.1、树的最大深度为6、估计器数量为1000。性能评估指标包括均方误差（MSE）、决定系数（R²）和偏差幅度（Margin of Deviation, MoD）。

**研究结果与发现**
**4.1. 用于机器学习建模的实验数据缩减**
实验在开发的双室移动床热化学储能系统上进行，每个床被顺序转移到反应单元进行充放电。实验结果表明，入口空气温度、相对湿度以及空气流速（作为空气流量的函数）是影响充放电模式下性能变化的主要因素。由于热化学储能系统的动态行为，其性能随时间变化。放电实验显示，出口峰值温度和随后的温度衰减曲线在不同实验间存在显著差异，表明热输出和湿度变化本质上是非线性、动态且时间依赖的。充电实验也表现出类似的变异性，系统性能不仅受单个操作参数控制，还受其组合的时变效应控制。评估空气入口流速对充放电性能的影响至关重要，实验发现降低空气流速导致温升增加，表明停留时间对吸附床内耦合热湿传递过程有强烈影响。

**4.2. 基于机器学习的性能预测结果**
时间序列对比显示，XGBoost模型1预测的热输出和湿度变化与实验值高度吻合，成功捕捉了放热吸水反应过程中的瞬态热释放特性和湿度吸收效率的变化。XGBoost模型2预测的充电所需热输入和湿度变化也与实验数据紧密匹配，表明模型成功学习了脱水过程的能量需求及其对瞬态入口条件的依赖。回归分析进一步证实了模型的预测保真度，所有四个输出参数的预测值与实验值都紧密聚集在对角线附近。偏差幅度分析表明，对于放电热输出、放电湿度变化和充电热输入，绝大多数数据点的相对百分比误差集中在±10%以内，显示出可靠的预测性能。充电阶段的湿度变化预测误差分布略宽，存在接近25%误差的异常值，这与充电阶段湿度解吸对低湿高温操作条件高度敏感的非线性特性有关。绝对误差分析显示，热输出和热输入的绝对误差非常小且高度集中，而充电阶段湿度变化的绝对误差分布最广，这与解吸动力学对瞬态操作波动更敏感的实验观察一致。

定量性能指标显示，所有四个输出参数的决定系数R²均高于0.980，其中充电热输入的R²达到0.99208。热输出和热输入的均方误差极低，分别为1.35 × 10^?3和1.72 × 10^?3。偏差幅度平均值很小，热输出、热输入和放电湿度变化在-0.02%到-0.05%之间。充电湿度变化的均方误差和平均偏差幅度相对较高，分别为1.76 × 10^?1和-0.16%，这与视觉分析中观察到的较大误差分布一致。

此外，与人工神经网络、物理信息神经网络和Transformer架构的对比基准测试表明，XGBoost框架在本研究的高维实验数据集上，对耦合瞬态现象的表征最为准确和平衡。

**讨论与结论**
实验观察和机器学习预测结果一致表明，双室移动床热化学储能系统的充放电行为受强耦合、非线性的热质传递机制控制。总体而言，开发的XGBoost模型仅使用所考虑的操作参数（时间、T_in、RH_in和m_air）就成功捕捉了这些瞬态热湿相互作用，对热湿传递特性具有高预测精度。这证实了基于机器学习的方法作为可靠、计算高效的工具，用于先进热化学储能系统分析、优化和实时操作的潜力。

**研究结论翻译**：本研究旨在使用极端梯度提升机器学习框架预测一种新颖的双室移动床热化学储能系统复杂、瞬态的热质传递动力学。与先前主要关注固定床反应器的研究不同，本研究聚焦于移动床设计。利用在不同入口条件和空气流速下收集的1991个测量数据点组成的可靠数据集，训练了两个极端梯度提升模型。所构建的模型仅基于易于测量的入口操作参数（时间、入口温度、入口相对湿度和空气流量）进行调整，以预测关键的热传递和质传递结果。数值性能指标证实了极端梯度提升模型准确模拟所研究热化学储能系统瞬态性能的能力。主要研究结果如下：a. 所开发的极端梯度提升模型对四个预测输出参数实现了出色的估计精度，其决定系数值高于0.980。b. 在再生过程中，极端梯度提升模型2（充电阶段）以0.99208的决定系数值预测了所需的热输入。c. 放电阶段热输出估计和放电过程湿度变化估计的决定系数值分别为0.98207和0.98011。d. 关键热传递参数热输出和热输入的均方误差值极低，分别为1.35 × 10^–3和1.72 × 10^–3。e. 通过观察到几乎所有估计误差大多聚集在零附近，偏差幅度分析显示出高度的可信度。热输出、热输入和放电湿度变化的平均偏差幅度值在-0.02%到-0.05%之间。f. 充电阶段的质传递预测（由极端梯度提升模型2预测的湿度变化）表现出最大的误差分布，其均方误差为1.76 × 10^?1，平均偏差幅度为-0.16%。这与视觉分析一致，显示该参数的异常值偏差接近25%。

总之，本研究验证了极端梯度提升是一种高度精确和可靠的非线性框架，可用于估计双室移动床热化学储能系统的性能。该模型是数据驱动的，但实验训练数据固有地包含了充放电操作期间发生的耦合热质传递、反应动力学和传输限制的效应，从而实现了成功的预测。然而，值得注意的是，与基于计算流体力学的模型不同，所开发的方法没有明确模拟局部传输机制。未来的工作应考虑混合物理信息机器学习或计算流体力学辅助的机器学习框架，以提高物理可解释性并将局部传输现象纳入预测建模中。