类型b：

《西安交通大学学报》于2026年1月网络首发的论文《机器学习在沸腾传热过程中的应用进展》（作者：褚雯霄等）是一篇系统性综述，由西安交通大学热流科学与工程教育部重点实验室与俄罗斯科学院库塔拉泽热物理研究所的联合团队完成。该论文全面梳理了2000-2025年间人工智能技术在沸腾传热领域的研究进展，重点探讨了机器学习（Machine Learning, ML）和深度学习（Deep Learning, DL）在气泡动力学参数提取、传热系数预测等关键问题中的应用现状与挑战。

机器学习技术分类及其适用性

论文首先对机器学习方法进行了系统分类：（1）监督学习（Supervised Learning）在沸腾传热系数预测等回归问题中表现突出，支持向量回归（SVR）通过核函数处理小样本数据，随机森林（Random Forest）能有效降低多变量耦合预测的方差；（2）深度学习通过多层神经网络自动提取特征，卷积神经网络（CNN）在气泡图像分割中实现94.96%的准确率（Dunlap等研究），而物理信息神经网络（PINN）尝试将质量/能量守恒方程嵌入损失函数以解决"黑盒"问题。这些方法的关系呈现层级结构：深度学习作为机器学习的子集，支撑监督/无监督/强化学习的具体实现。

智能提取技术在沸腾可视化中的应用

在池沸腾领域，Zhao等开发的StarDist-CNN混合框架通过多边形预测机制解决气泡重叠分割难题，其侧视高速摄影分析显示气泡脱离直径误差<5%。对于流动沸腾，Schepperle等采用改进U-Net架构实现微通道内7种流态的语义分割（准确率91%），而Zhou等结合YOLOv8与多目标追踪算法（MOT）重构了气泡时空轨迹，参数提取效率较人工提升90%。多模态融合成为新趋势，Sinha等通过CNN分析声发射信号频谱，在CHF（临界热通量）发生时捕捉到频率特征从200-250Hz到400-500Hz的突变，为无视觉监控提供可能。

数据驱动建模的性能预测突破

传统经验关联式在跨工况预测中平均误差达20-30%，而机器学习模型显著提升精度：（1）池沸腾预测方面，Suh等开发的HYPR混合模型（CNN+物理参数）将热通量预测误差控制在6%以内；Ravichandran等通过最小冗余最大相关（mRMR）算法发现成核密度、气泡生长时间和足迹半径是CHF预测的三大关键参数。（2）流动沸腾中，Han等采用PSO优化的多层感知机（PSO-MLP）对R134a工质的传热系数预测R²达0.984；Zhou等证明Transformer模型在大规模CHF数据库中的预测性能优于传统ANN（均方误差降低18.7%）。特别值得注意的是，Furlong等提出的物理混合策略将经典关联式作为基准，用DNN学习其与实验值的偏差，在数据稀疏区保持了物理一致性。

当前挑战与技术发展路线

论文指出四大核心瓶颈：（1）数据依赖性方面，现有模型需要10³-10⁵量级数据点训练，迁移学习（Transfer Learning）可缓解该问题——Zhu等研究表明仅需5%新工况数据即可使微针翅片传热模型保持90%精度；（2）物理可解释性不足，PINN等融合物理定律的算法正成为发展方向；（3）实时控制缺失，Raut等将深度强化学习（DRL）与CFD耦合，实现核态沸腾的主动调控；（4）计算成本高昂，Jalili等用PINN替代传统CFD，使膜态沸腾仿真速度提升40倍。

未来展望与学科价值

作者提出三个突破方向：（1）构建开源算法库和标准化数据集，如包含表面结构-工质-流动参数的多维数据库；（2）发展物理嵌入的混合建模方法，例如将气泡动力学方程作为CNN的约束条件；（3）开发边缘计算设备实现实时控制，通过轻量化模型部署降低算力需求。该综述的价值在于：首次系统评估了AI技术在沸腾传热全链条（识别-预测-控制）的应用效果，为能源装备智能优化提供方法论指导。特别是提出的"物理先验+数据驱动"框架，对解决其他多物理场耦合问题具有普适参考意义。

论文的突出贡献体现在三方面：（1）首次建立沸腾传热AI研究的技术树状图，明确各类算法的适用场景；（2）汇总24项代表性研究的性能指标（如Mask R-CNN的94.96%分割精度），为方法选择提供量化依据；（3）提出"可信AI"概念，强调通过贝叶斯神经网络（BNN）输出预测置信区间，这对工程安全评估至关重要。这些工作为人工智能在热物理领域的深度应用奠定了理论基础。