Correlated-informed neural networks: A new machine learning framework to predict pressure drop in micro-channels

Abstract

Accurate pressure drop estimation in forced boiling phenomena is important during the thermal analysis and the geometric design of cryogenic heat exchangers. However, current methods to predict the pressure drop have one of two problems: lack of accuracy or generalization to different situations. In this work, we present the correlated-informed neural networks (CoINN), a new paradigm in applying the artificial neural network (ANN) technique combined with a successful pressure drop correlation as a mapping tool to predict the pressure drop of zeotropic mixtures in micro-channels. The proposed approach is inspired by Transfer Learning, which is highly used in deep learning problems with reduced datasets. Our method improves the ANN performance by transferring the knowledge of the Sun & Mishima correlation for the pressure drop to the ANN. The correlation having physical and phenomenological implications for the pressure drop in micro-channels considerably improves the performance and generalization capabilities of the ANN. The final architecture consists of three inputs: the mixture vapor quality, the micro-channel inner diameter, and the available pressure drop correlation. The results show the benefits gained using the correlated-informed approach predicting experimental data used for training and a posterior test with a mean relative error () of 6%, lower than the Sun & Mishima correlation of 13%. Additionally, this approach can be extended to other mixtures and experimental settings, a missing feature in other approaches for mapping correlations using ANNs for heat transfer applications. RESUMEN La estimación precisa de la caída de presión en los fenómenos de ebullición forzada es importante durante el análisis térmico y el diseño geométrico de los intercambiadores de calor criogénicos. Sin embargo, los métodos actuales para predecir la caída de presión tienen uno de dos problemas: falta de precisión o generalización a diferentes situaciones. En este trabajo, presentamos las redes neuronales informadas por correlación (CoINN), un nuevo paradigma en la aplicación de la técnica de red neuronal artificial (ANN) combinada con una correlación exitosa de caída de presión como herramienta de mapeo para predecir la caída de presión de mezclas zeotrópicas en micro -canales. El enfoque propuesto está inspirado en Transfer Learning, que se usa mucho en problemas de aprendizaje profundo con conjuntos de datos reducidos. Nuestro método mejora el rendimiento de ANN al transferir el conocimiento de la correlación de Sun y Mishima para la caída de presión a ANN. La correlación que tiene implicaciones físicas y fenomenológicas para la caída de presión en los microcanales mejora considerablemente las capacidades de rendimiento y generalización de la RNA. La arquitectura final consta de tres entradas: la calidad del vapor de la mezcla, el diámetro interior del microcanal y la correlación de caída de presión disponible. Los resultados muestran los beneficios obtenidos utilizando el enfoque de información correlacionada que predice los datos experimentales utilizados para el entrenamiento y una prueba posterior con un error relativo medio () del 6 %, inferior a la correlación de Sun y Mishima del 13 %. Además, este enfoque se puede extender a otras mezclas y entornos experimentales, una característica que falta en otros enfoques para mapear correlaciones usando ANN para aplicaciones de transferencia de calor.