《Case Studies in Thermal Engineering》：Structural optimization of multi-heat-source cold plates using neural network and genetic algorithm
编辑推荐：
针对多热源电子设备非均匀热流密度导致温度不均、传统全局优化方法难以兼顾局部热约束与全局流阻的难题，本文研究者耦合人工神经网络（ANN）与非支配排序遗传算法（NSGA-II），对直翅片与混合翅片（直翅片+针翅）冷板进行了独立分区参数优化。研究成功实现了最小流阻与综合性能平衡的优化设计，在满足各组件差异化温度限值下，显著降低了流动阻力（最高达52.9%），提升了温度均匀性，为多热源精密热管理提供了可扩展的设计框架。该成果发表于《Case Studies in Thermal Engineering》。
在现代电子设备日益追求高性能与高集成度的进程中，散热成了一个无法绕开的“高墙”。无论是国防军工、工业自动化，还是新能源汽车与数据中心，核心的功率半导体器件——比如绝缘栅双极型晶体管（IGBT）——正以越来越紧凑的体积承载着不断攀升的功率。热量，这个能量的副产品，如果得不到有效管理，不仅会直接导致器件性能衰退，更可能引发不可逆的失效，成为整个系统可靠性的“阿喀琉斯之踵”。传统风冷技术因其介质热物性限制，在面对高功率密度热源时已力不从心。液体冷却，凭借其高出空气数倍的热导率和比热容，成为了解决此难题的关键技术。其中，液冷冷板（Liquid Cold Plate）是直接与热源接触、高效导出热量的核心部件。
然而，真正的挑战才刚刚开始。现代功率电子系统通常集成了多个功率、尺寸和热敏感性各不相同的发热器件。例如，一个典型的功率转换单元可能包含高功率的IGBT、对温度极为敏感的功率二极管，以及高功率但散热能力稍差的变压器。这些热源“性格迥异”：有的发热量大但相对耐热，有的发热量小却“娇气”怕热。更为棘手的是，它们在电路板上往往呈非均匀分布，形成复杂的“热场图”。传统的液冷冷板设计，通常采用全局统一的结构参数（如均匀分布的翅片），试图为所有器件提供“一视同仁”的冷却。这种做法，要么为了保护最脆弱的器件而过度冷却其他部分，造成不必要的泵功浪费；要么为了追求低流阻而牺牲了对局部热点的控制，导致敏感器件“中暑”。这就像用中央空调为整个写字楼设定一个温度，既无法满足机房服务器的高散热需求，也常让办公区的员工感到寒冷。如何实现“精准滴灌”式的差异化热管理，在确保每个组件都不“发烧”的前提下，最大限度地降低冷却系统自身能耗，是当前高功率电子热设计领域亟需攻克的难题。
为了破解这一难题，由华中科技大学能源与动力工程学院张逸飞、庄玉彬、崔盼、刘伟、刘智春组成的研究团队，在《Case Studies in Thermal Engineering》期刊上发表了一项创新性研究。他们摒弃了传统的“一刀切”式设计思路，提出了一个“分区自治，全局协同”的智能优化框架。该框架的核心是将人工神经网络（Artificial Neural Network, ANN）的快速预测能力与非支配排序遗传算法（Non-Dominated Sorting Genetic Algorithm II, NSGA-II）的强大寻优能力相结合，对液冷冷板内对应于不同热源区域的翅片结构进行独立、并行的参数优化，从而生成与热源特性高度匹配的非均匀冷却流道布局。
该研究的物理模型设计极具代表性。研究人员在一块总长410毫米、宽140毫米的铜制冷板上，布置了三个模拟真实功率器件的热源：R1代表高功率IGBT（1000 W），耐热性较好；R2代表高功率但耐热性稍差的高频变压器（600 W）；R3代表低功率但对温度极度敏感的功率二极管（50 W）。冷却水流从靠近R3的一端流入，依次流经三个热源对应的区域。基于此，研究构建了两种冷板模型进行优化：一是全部采用直翅片的“Straight-Fin”模型；二是在高热流的R2区域采用强化换热的针翅阵列（Pin-Fin），而在R1和R3区域保留直翅片的“Hybrid-Fin”模型。优化的目标是双重的：一是在满足各热源严格温度约束（R1<80°C, R2<75°C, R3<55°C）下，最小化进出口压降，以降低泵功；二是在满足所有约束下，同时追求更低的R2温度和更低的压降，寻求热-水力综合性能的帕累托最优解。作为对比，研究还进行了传统的全局优化，即所有区域采用统一的翅片参数，以最小化整体平均温度和压降为目标。
为了开展这项复杂的研究，作者团队集成运用了多项关键技术方法。首先，他们建立了参数化的三维计算流体力学（Computational Fluid Dynamics, CFD）模型，通过改变各区域翅片厚度和数量等设计变量，自动生成大量不同的冷板几何并进行数值模拟，以获取训练数据。其次，利用得到的数据集，训练了一个具有两层隐藏层的人工神经网络（ANN），将其作为CFD模拟的替代模型，能够快速、准确地预测特定结构参数下的热源温度和压降。接着，他们将训练好的ANN模型与多目标优化算法——非支配排序遗传算法（NSGA-II）——进行耦合，以前者作为目标函数和约束条件的评估器，后者在广阔的设计空间中高效搜索最优解。最后，通过实验平台对优化前的基准模型进行了验证，确保数值模型的可靠性。整个“参数化建模-CFD模拟-ANN训练-NSGA-II优化-CFD验证”的工作流程，构成了一套完整的自动化智能设计闭环。
研究结果部分揭示了丰富的物理机理和显著的性能提升：
3.1. 直翅片模型输入参数分析
通过系统的参数敏感性分析，研究人员深入揭示了各区域结构参数对系统热-水力性能的差异化调控机制。研究发现，出口区域（R1）的翅片数量对R1自身温度和系统总压降具有最强的支配性影响，这主要归因于该区域产生的局部流动阻力损失。中间区域（R2）的翅片数量则显著影响R2的温度，同时对上游的R1和下游的R3温度也有一定调节作用。入口区域（R3）的参数主要影响R3自身，对上游区域影响微弱。机理上，翅片数量通过改变流通截面积来调节流速和换热面积，从而影响对流换热强度；而翅片厚度则主要通过调节固体的导热路径来影响热量扩散和温度均匀性。
3.2. 混合翅片模型输入参数分析
对于在R2区引入针翅的混合模型，研究重点关注了针翅半径、水平与垂直间距等参数的影响。增大针翅半径或减小间距（即增加针翅密度）能有效降低R2区温度，因为这增加了固-液接触面积并加剧了流动扰动，破坏了热边界层。但与此同时，这也会显著增加流动阻力。分析表明，针翅参数是调节R2区热性能的最有效杠杆。
3.3. 优化结果与讨论
优化结果令人振奋。与初始设计相比，针对“最小压降”目标的优化设计，使直翅片和混合翅片模型的流阻分别降低了47.4%和52.9%；针对“综合性能平衡”目标的优化设计，流阻也分别降低了28%和38.4%，同时温度均匀性得到改善。更具说服力的是与传统全局优化方法的对比：传统方法仅能将流阻降低19.3%，而本研究的分区优化方法则能实现34.9%至41.7%的降低幅度，并且能够实现对R2等高热流区域的针对性温度控制，这是传统均匀设计无法做到的。研究还发现，混合翅片设计展现出更优越的综合性能，特别是在高热流、低耐热的R2区域，能在不显著牺牲水力性能的前提下大幅增强散热。
3.4. 优化结构的机制分析
通过对优化前后结构的流场和温度场进行深入分析，研究者阐释了性能提升的内在物理机制。优化后的结构呈现出鲜明的“非均匀”特征：在高热流或入口发展流区域配置了更多或更密集的翅片以强化换热；在出口或对温度不敏感的区域则减少翅片以降低阻力。这种“按需分配”的流道布局，实现了冷却能力的精准投放。
3.5. 与传统全局优化设计的对比
本研究的核心创新——分区独立优化，其优势在对比中凸显。传统的全局优化只能得到一个折中的、参数均匀的设计。当面对文中非均匀、多约束的热管理问题时，该传统方案要么导致R3敏感器件超温，要么为保护R3而使压降过高。而分区优化方案则能灵活调整每个区域的参数，在满足所有严苛温度限值的同时，找到流阻更低的全局最优解，证明了其应对复杂多热源场景的独特价值。
结论与讨论部分对全研究进行了总结与展望。本研究成功开发并验证了一个集成了神经网络与遗传算法的完整框架，用于多热源液冷冷板的分区结构优化。该框架实现了从“全局统一设计”到“分区协同设计”的范式转变。核心贡献在于：1）提出了分区参数化建模方法，实现了对各热源对应局部流道结构的独立控制；2）将各热源实际工程温度限值作为核心约束，定义了面向“最低能耗”与“最佳综合性能”的差异化优化目标，增强了结果的工程相关性；3）生成了与热源特性匹配的非均匀冷却流道布局。
结果表明，该优化方法能显著降低系统流动阻力（从而降低泵功），同时确保各热源工作在安全温度范围内，特别适用于热流密度、功率水平和耐热性各不相同的多热源系统。机理上，研究明确了出口区参数主导压降、入口区对下游未充分发展流敏感、中间区在充分发展流下呈现热独立性的规律，深化了对复杂流道内热-水力耦合行为的理解。所提出的ANN-NSGA-II框架提供了一个可扩展的自动化设计方法论，能够根据特定的热-水力性能优先级（如极端追求低能耗，或需要重点照顾某个关键器件）灵活制定优化策略，为解决多约束条件下的非均匀热管理挑战提供了新的有效工具。这项工作不仅为高性能电子设备的热设计提供了直接解决方案，其智能优化框架亦可推广至其他需要多目标、多约束优化的工程领域。
