实验数据与理论模型的拟合方法

在热对流学的研究中，实验数据的获取与理论模型的建立是相辅相成的。实验数据提供了物理现象的真实记录，而理论模型（或经验关联式）则旨在揭示变量之间的内在规律。将实验数据与理论模型进行拟合，不仅是为了验证模型的准确性，更是为了确定模型中的未知参数

在热对流学的研究中，实验数据的获取与理论模型的建立是相辅相成的。实验数据提供了物理现象的真实记录，而理论模型（或经验关联式）则旨在揭示变量之间的内在规律。将实验数据与理论模型进行拟合，不仅是为了验证模型的准确性，更是为了确定模型中的未知参数，从而构建能够预测实际工程问题的数学表达。
拟合（Curve Fitting）是指在给定的一组实验数据点 $(x_i, y_i)$ 基础上，寻找一个数学函数 $f(x, \beta)$，使得该函数在某种准则下与实验数据的偏差最小。其中 $\beta$ 为待确定的模型参数。

在热对流研究中，典型的拟合目标通常是确定努塞尔数 ($Nu$) 与雷诺数 ($Re$)、普朗特数 ($Pr$) 之间的关系。例如，许多强制对流的经验公式采用幂函数形式：
$$Nu = C \cdot Re^m \cdot Pr^n$$
这里的 $C, m, n$ 即为需要通过实验数据拟合确定的参数。

常见的拟合方法

根据模型函数的线性程度，拟合方法主要分为线性拟合和非线性拟合。

1. 最小二乘法 (Least Squares Method)

最小二乘法是最常用的拟合准则。其核心思想是使实验值 $y_i$ 与模型预测值 $f(x_i)$ 之间的残差平方和 (RSS) 最小化：
$$RSS = \sum_{i=1}^{n} [y_i - f(x_i, \beta)]^2 \to \min$$

2. 线性化拟合

对于热对流中常见的幂函数模型，直接进行非线性拟合较为复杂。通常采取对数变换将其转化为线性形式。
以 $Nu = C \cdot Re^m \cdot Pr^n$ 为例，两边取自然对数：
$$\ln(Nu) = \ln(C) + m \ln(Re) + n \ln(Pr)$$
此时，该方程变为关于 $\ln(C), m, n$ 的线性方程。可以通过多元线性回归快速求解这些参数。这种方法的优点是计算速度快，且具有解析解。

3. 非线性回归 (Non-linear Regression)

当模型无法简单线性化，或者线性化后导致误差分布发生畸变时，需采用非线性拟合算法。

  • Levenberg-Marquardt (LM) 算法：这是目前最主流的非线性拟合算法，它结合了梯度下降法和高斯-牛顿法的优点，具有较强的鲁棒性和收敛速度。
  • 适用场景：适用于复杂的传热模型，如包含指数项或分式项的对流换热关联式。

拟合过程的标准化步骤

为了确保拟合结果的科学性和可重复性，建议遵循以下流程：

  1. 数据预处理：剔除明显的实验异常值（Outliers），并对数据进行归一化处理，防止因量级差异（如 $Re$ 为 $10^5$ 而 $Pr$ 为 $0.7$）导致计算不收敛。
  2. 选择模型形式：根据物理机制选择模型。例如，层流区通常采用 $Nu \propto Re^{1/2}$，而湍流区则倾向于 $Nu \propto Re^{0.8}$。
  3. 参数初始化：对于非线性拟合，初始值的选取至关重要。通常参考已有文献的经验值作为起点。
  4. 执行拟合计算：利用软件工具（如 Python 的 scipy.optimize.curve_fit 或 MATLAB 的 nlinfit）求解最优参数。
  5. 模型验证：将拟合得到的模型应用于未参与拟合的验证数据集，检查预测精度。

拟合结果的评价指标

仅凭视觉上的曲线重合度不足以证明模型的有效性，必须引入定量指标：

  • 决定系数 ($R^2$)：衡量模型对数据波动解释能力的指标。$R^2$ 越接近 1，表示拟合程度越高。
  • 均方根误差 (RMSE)：反映预测值与真实值之间的绝对偏差。
    $$RMSE = \sqrt{\frac{1}{n}\sum_{i=1}^{n}(y_i - \hat{y}_i)^2}$$
  • 平均绝对百分比误差 (MAPE)：在热对流学中尤为重要，因为 $Nu$ 数在不同工况下量级差异巨大，相对误差比绝对误差更具参考价值。

实例分析：平板强制对流拟合

假设我们获得了一组不同雷诺数 $Re$ 下的努塞尔数 $Nu$ 实验数据，拟合模型为 $Nu = C \cdot Re^m$。

步骤示例：

  1. 数据准备：收集 $(Re_1, Nu_1), (Re_2, Nu_2), \dots, (Re_n, Nu_n)$。
  2. 线性化处理：令 $Y = \ln(Nu), X = \ln(Re), A = \ln(C)$。方程变为 $Y = A + mX$。
  3. 计算参数：利用线性回归计算出 $m$ 和 $A$，进而求得 $C = e^A$。
  4. 结果比对：将拟合曲线绘制在原坐标系中，并计算 MAPE。若 $\text{MAPE} < 10%$，则认为该经验关联式在当前雷诺数范围内适用。

注意事项与潜在问题

在实际操作中，应警惕以下两点：

  • 过拟合 (Overfitting)：为了追求极高的 $R^2$，引入过多参数（如使用高次多项式）。这会导致模型在实验点上表现完美，但在预测新数据时失效，且失去了物理意义。
  • 外推风险 (Extrapolation)：拟合模型仅在实验数据的覆盖范围内有效。严禁将针对低 $Re$ 数拟合的模型直接外推至高 $Re$ 数区域，因为对流状态（如层流转湍流）的改变会导致物理机制发生根本性变化。