Reproducible machine-learning physical-based models for pressure drop estimation in two phase diabatic and adiabatic flows

The aim of the present work is utilizing machine-learning algorithms for predicting the pressure drop in two-phase adiabatic and diabatic flows. In this context, for the case of adiabatic flows, the measured data corresponding to the pressure drop of water (single phase) and water/air mixture (two phase) in horizontal smooth cupper tubes (from existing experimental data) and micro-finned ones (through experimental activity) has been employed. For the case of diabatic flows instead, the pressure drops and the corresponding operating conditions measured from previous experiments on R134a and R1234ze refrigerants, while going through evaporation and condensation processes, have been utilized. Next, the existing physical phenomena based models for each case, which are available in the literature, have been implemented and the corresponding accuracies have been determined and compared. Considering the MARD (mean absolute relative deviation) as the main accuracy index, the best model for each case is then found. Subsequently, the implementation of Machine-learning (ML) based methodology is then performed employing two overall approaches. In the dimensional approach, the pressure drop is chosen as the target, while all the dimensional parameters are provided as inputs. In the dimensionless approach, the friction factor (single-phase) and two-phase flow multiplier (two-phase) are taken into account as targets, while the non-dimensional parameters (which are chosen based on the physics of the problem) are provided as inputs. Afterwards, two feature selection methodologies were employed in order to determine the key features including which increases the accuracy of the model. In the first approach, the features are progressively added after being ordered based on their correlation to the target; while, in the second approach, the features are first ordered based on the corresponding feature importance value in a promising (for the studied case) ML algorithm (Random Forests). Finally, while being provided the selected features as inputs, through a genetic algorithm based optimization approach, the ML pipeline is optimized. In the latter optimization procedure, in which the accuracy is determined through cross-validation, the most promising ML algorithm along with the corresponding optimal tuning parameters that lead to the highest possible accuracy are determined. The obtained results demonstrate that, in all the considered cases, the developed optimal ML model outperforms the best corresponding physical model with a large margin. The developed and trained models in the present work will be made publicly accessible as an open-source software. Since the trained models are easy to use and have a low computational cost, the present approach results in both a higher accuracy and superior reproducibility compared to available physical model in the literature.

Lo scopo di questo lavoro presentato è l’implementazione degli algoritmi di apprendimento automatico per la predizione delle cadute di pressione d’attrito dei flussi bifase adiabatici e diabatici. In questo contesto, per il caso dei flussi adiabatici, le data misurate corrispondenti alle cadute di pressione di acqua (flusso monofase) e di aria/acqua (flusso bifase) nei tubi di rame, posizionati orizzontalmente, lisci (dalle data esperimentali già esistenti) e micro-alettati (dagli esperimenti svolti) sono state utilizzate. Invece per il caso dei flussi diabatici, le cadute di pressione e le condizioni di operazione coerenti, misurati dagli esperimenti precedenti con i refrigeranti R134a e R1234ze, durante il processo di evaporazione e condensazione, sono stati usufruiti. Poi, per ogni singolo caso, i modelli basati sui fenomeni fisici, disponibili dalla letteratura, sono stati implementati (con le accuratezze di calcolo corrispondenti) e comparati tra loro. Considerando MARD (la deviazione media assoluta relativa) l’indice di accuratezza principale, il modello migliore per ogni singolo caso era scelto. Successivamente, l’implementazione delle metodologie basate sugli algoritmi di apprendimento automatico (ML) è stata eseguita utilizzando due approcci. Nell’ approccio dimensionale, le cadute di pressione sono state selezionate come l’obiettivo, invece tutti gli parametri dimensionali sono stati forniti come l’input. Nell’ approccio adimensionale, il fattore d’attrito (monofase) e i moltiplicatori bifase (bifase) sono considerati come gli obiettivi, invece i parametri adimensionali (quali sono selezionati basandosi sulla fisica del problema) sono stati forniti come l’input. In seguito, due metodologie della selezione di parametri sono state applicate in modo da determinare i parametri chiavi che aumentano l’accuratezza del metodo. Nel primo approccio, i parametri sono progressivamente aggiunti dopo essendo ordinati secondo la loro correlazione all’oggetto; mentre nel secondo approccio, sono stati ordinati secondo la corrispondente importanza dei parametri in un promettente (per il caso studiato) ML algoritmo (Random Forests). Finalmente, fornendo i parametri selezionati come l’input, attraverso un approccio di algoritmo di ottimizzazione genetica, il ML pipeline è ottimizzata. Nella successiva procedura di ottimizzazione dove l’accuratezza è determinata con la convalida incrociata, il più promettente algoritmo di apprendimento automatico è stato selezionato con i corrispondenti parametri di sintonia che portano all’accuratezza più alta possibile. I risultati ottenuti dimostrano che in tutti i casi considerati, il sviluppato ML metodo ottimizzato sovraperforma il miglior corrispondente modello fisico con un grande margine. I modelli sviluppati e allenati in questo lavoro si pubblicano con l’accesso libero come un software open-source. Per quando i modelli sviluppati sono facili da usare e hanno un costo di computazione basso, il presente approccio risulta più accurato e con superiore riproducibilità comparando con i modelli fisici disponibili dalla letteratura.