إن زيادة كثافة القدرة العالية للمحرك تجعل مشكلة إدارة الحرارة أكثر حدة، ويعد التنبؤ الدقيق بمعامل التوصيل الحراري المكافئ لأنابيب الحرارة أمرًا بالغ الأهمية لتصميم تبريد المحرك. استنادًا إلى نظام تبريد المحرك وأداء أنابيب الحرارة ومسائل التنبؤ بالأداء، تستخدم هذه الدراسة معامل التوصيل الحراري المكافئ كمؤشر تقييم، وتدرس تجريبيًا تأثيرات معلمات رئيسية مثل قدرة مصدر الحرارة، والموقع النسبي بين قسم التكثيف وقسم التبخر، وزاوية الانحناء على أداء نقل الحرارة لأنابيب الحرارة. استنادًا إلى ذلك، تم إنشاء ومقارنة أداء خمسة نماذج تعلم آلي وهي: شبكة الأعصاب العكسي المحسنة بخوارزمية الجينات (GA-BPNN)، الشبكة العصبية الالتفافية (CNN)، آلة الدعم الناقل للمربعات الصغرى (LSSVM)، الغابة العشوائية (RF)، وتعزيز التدرج الأقصى (XGBoost). أظهرت النتائج أن الجاذبية وزاوية الانحناء لهما أكبر تأثير على أداء التوصيل الحراري لأنابيب الحرارة، حيث كان أداء أنابيب الحرارة المنحنية بزاوية 90° في الجانب العلوي هو الأفضل وأداءها يعادل ثلاثين ضعفًا لأداء الجانب السفلي؛ وكان متوسط الخطأ بالنسبة المئوية المطلق للنموذج XGBoost هو 3.72٪، ومعامل التحديد 0.95، وجذر متوسط مربع الخطأ الثاني بعد نموذج GA-BPNN؛ وكان نموذج XGBoost هو الأكثر دقة بين النماذج الخمسة المختارة وكان زمن التدريب أقل من ثانيتين؛ وأظهرت توقعات نموذج XGBoost أن أداء أنابيب الحرارة يختلف باختلاف مواقع التركيب وزوايا الانحناء، ومن أجل تحسين تجانس درجة حرارة لفائف المحرك، يُوصى باستخدام أنابيب حرارة بزوايا انحناء 0° لتبريد المحرك.

محرك؛ أنابيب الحرارة؛ معامل التوصيل الحراري المكافئ؛ التعلم الآلي