华电杨薛明&中科院工热所杨明IJTS：基于混合神经网络的椭圆微柱非对称正弦波微通道散热器多目标优化设计

论文信息：

Huo Y, Yang X, Liang W, et al. Multi-objective optimization design of asymmetric sinusoidal wavy microchannel heatsink with elliptical microcolumns based on hybrid neural network[J]. International Journal of Thermal Sciences, 2026, 220: 110382.

论文链接：

https://doi.org/10.1016/j.ijthermalsci.2025.110382

Part.1

研究背景

随着高功率电子设备朝着高性能、小型化、智能化与高集成度方向发展，其热流密度可达100–1000 W/cm²，高温与不均匀温度分布严重威胁设备可靠性与寿命。传统微通道散热器在实现高效传热与低流动阻力方面存在固有局限，需通过创新结构设计提升散热性能。尽管已有研究探索了波形通道、微柱结构等增强方式，但仍存在结构单一、优化目标有限、机器学习模型能力不足等问题，未能充分发挥非对称结构与多目标优化的协同潜力。

Part.2

研究内容

本研究提出了一种集成椭圆形微柱的非对称正弦波状微通道散热器，并构建了一个融合Transformer混合神经网络与NSGA-III多目标优化的智能设计框架。通过数值模拟系统分析了微柱几何、波形参数与入口流速对流动与传热特性的影响，发现该结构相较于传统线性结构，努塞尔数提升2.2倍，性能评价准则提高33.7%。所开发的THNN模型实现了对多个性能指标的高精度预测（R² > 0.99），并通过多目标优化获得最优结构，最终使PEC提升57.8%，Nu提升2.98倍，为高性能微通道散热器的工程应用提供了有效的理论与技术支撑。

图1.(a)波浪形微通道示意图；(b)波浪形微通道单元图；(c)四种不同的微通道结构

图2.网格独立性验证结果

图3. (a)本模拟结果与Parlak等人的实验和模拟数据的比较；(b)与Tikadar等人的比较[19,20]

图4. THNN模型示意图

图5. 四种不同微通道结构中Nu (a)、ΔP (b)、R th (c)和PEC (d)随Re的变化

这几组图表作为研究的基础与起点，系统地展示了从传统结构到创新结构的性能演进。图1通过几何模型直观地定义了本研究的核心对象——四种微通道构型（线性、两种非对称波形Wavy a/b、锯齿形），明确了以非对称正弦波（Wavy a） 为代表的结构创新。图5则通过性能曲线（Nu, ΔP, Rth, PEC随Re的变化）为这一选择提供了定量依据：结果表明，虽然锯齿形结构传热能力（Nu）最强，但其过高的流动阻力（ΔP）导致综合性能（PEC）并非最优；而Wavy a结构在传热增强和流阻控制之间取得了最佳平衡，拥有最高的PEC值，从而被确立为后续集成微柱和深度优化的基准结构。

图6.添加椭圆微柱后的微通道整体结构(a)和单元结构(b)

图7.添加椭圆微柱后微通道中Nu (a)、ΔP (b)、R th (c)、PEC (d)随Re的变化

图8.在v = 0.5 m/s时，Case 0、Case 2、Case 6和Case 9通道中央平面的温度（上图）、压力（中图）和速度大小（下图）的轮廓

图9.椭圆微柱优化后微通道Nu (a)、f (b)和PEC (c)随Re的变化

图10. 在v = 0.5 m/s时，Case 2、Case 2.6、Case 2.7和Case 2.8通道中央平面的温度（上表）、压力（中表）和速度大小（下表）的轮廓

图6图7图9这三个图体现了研究的第一次性能飞跃，即通过引入并优化次级结构来实现性能提升。图6首先展示了在优选的Wavy a通道中集成椭圆形微柱的创新复合结构。图7则系统地研究了微柱高度（hz）的影响，揭示了一个关键权衡：随着hz增加，传热（Nu）和流阻（ΔP）同步增加，但存在一个最佳高度（hz=0.3mm） 使得综合性能（PEC）达到峰值，而非越高越好。在此基础上，图9进一步对固定高度微柱的长短半径（Rx, Ry）进行优化，确定了其最优尺寸范围（Rx=0.4-0.5mm, Ry=0.2-0.3mm）。这组图表完整地展示了通过参数化研究 方法，逐步优化复合结构几何参数，从而显著提升散热器性能的过程。

图8与图10则是研究的机理核心，从流体力学和传热学层面揭示了性能提升的内在物理机制。图8通过对比不同微柱高度下的温度、压力和速度云图，直观地展示了微柱的扰动作用：微柱诱导产生涡流和二次流，破坏了热边界层，从而强化传热（温度场更均匀），但也增加了流动阻力（压力梯度更大）；此图清晰地解释了为何存在一个最佳高度——在传热增益和阻力代价之间找到了平衡点。图10则进一步展示了优化尺寸后的微柱如何与波状通道产生协同效应，使得流场中的涡结构更充分、更高效，最终在微观尺度上证实了最优结构设计的物理合理性。

图11.滤波前Nu， Rth， f和ΔP数据的分布

图12. Nu， Rth， f和ΔP的过滤数据分布

图13.Nu(a)、Rth(b)、f(c)和ΔP(d)的预测值与真实值对比

图14.Nu (a)、R th (b)、f (c)和ΔP (d)的真实值与预测数据的分布

图15.(a)特征重要性估计和(b)特征相关矩阵

图16.帕累托前沿解：Nu与Rth(a)、Nu与f(b)、三维帕累托前沿(c)

图17.预测结果与模拟结果Nu和f的比较

图13.图14.图17这组图表代表了研究的最终阶段——自动化和全局优化。图15的特征重要性分析揭示了六个输入参数中对性能影响最大的关键因素，即流速(v)、波长(λ)和微柱高度(hz)，这为工程师优先关注哪些设计变量提供了明确指导。图16的帕累托前沿则生动地展示了多目标优化的本质：在相互冲突的目标（如高传热Nu与低流阻f）之间进行权衡；前沿上的每一个点都代表一个“非支配”最优解，没有绝对的唯一最优，而是形成了一个最优解集合，允许设计者根据实际应用侧重点（如更重散热还是更省泵功）做出最终决策。这两张图共同体现了从理解参数重要性到进行全局自动化寻优的完整智能设计思想。

图15.16则代表了研究的最终阶段——自动化和全局优化。图15的特征重要性分析揭示了六个输入参数中对性能影响最大的关键因素，即流速(v)、波长(λ)和微柱高度(hz)，这为工程师优先关注哪些设计变量提供了明确指导。图16的帕累托前沿则生动地展示了多目标优化的本质：在相互冲突的目标（如高传热Nu与低流阻f）之间进行权衡；前沿上的每一个点都代表一个“非支配”最优解，没有绝对的唯一最优，而是形成了一个最优解集合，允许设计者根据实际应用侧重点（如更重散热还是更省泵功）做出最终决策。这两张图共同体现了从理解参数重要性到进行全局自动化寻优的完整智能设计思想。

Part.3

研究总结

本研究成功提出并优化了一种集成椭圆形微柱的非对称正弦波状微通道散热器。通过系统的数值模拟与机理分析，研究证实该复合结构能通过诱导强烈的二次流和涡旋，有效破坏热边界层并增强流体混合，从而在显著提升传热性能（Nu最高提升至基准线的2.98倍）的同时，将综合性能评价准则（PEC）提高了57.8%。更重要的是，本研究创新性地构建了一个融合Transformer混合神经网络（THNN）与NSGA-III多目标优化的智能设计框架。该框架不仅实现了对多性能指标的高精度预测（R² > 0.99），更克服了传统单目标优化的局限，高效地在高维参数空间中寻得了全局帕累托最优解，为复杂微结构散热器的设计提供了从精准预测到自动优化的完整解决方案，对高功率电子设备的热管理具有重要的理论指导与工程应用价值。

尽管本研究取得了显著成果，但仍有若干方向值得深入探索。首先，当前研究集中于单一工质（去离子水），未来可考察该结构在纳米流体、相变乳液等新型高效冷却工质中的适用性。其次，所提出的优化结构在制造工艺上面临挑战，后续工作可结合增材制造（如3D打印）等先进加工技术进行实验制备与验证，以检验其实际性能与可靠性。此外，本研究优化目标为稳态性能，未来可将热应力、瞬态响应等动态可靠性指标纳入多目标优化体系。最后，所开发的THNN模型有望进一步扩展为一个通用的智能设计平台，通过引入迁移学习等技术，快速适配于其他类型的微通道结构或热管理场景，最终推动高性能散热系统的智能化设计与应用。

欢迎关注公众号 “芯片散热”