In den letzten Jahren wurden modulare Flüssigkeitskühlplatten in den Kühlsystemen von Schiffs-Elektronikgeräten weit verbreitet eingesetzt. Die Sicherstellung der Kühlleistung bei gleichzeitiger Vermeidung von Kondensation auf der Oberfläche der Flüssigkeitskühlplatte ist für den sicheren Betrieb der elektronischen Geräte von entscheidender Bedeutung. In dieser Arbeit wurde experimentell die dynamische Veränderung der Oberflächentemperatur der Flüssigkeitskühlplatte und das Kondensationsphänomen unter verschiedenen Kühlbedingungen untersucht, und ein Hybridmodell aus Convolutional Neural Network (CNN) und Long Short-Term Memory (LSTM) Netzwerk (CNN-LSTM) zur Vorhersage der Temperatur von kondensationsgefährdeten Bereichen auf der Oberfläche der Kühlplatte entwickelt. Die Ergebnisse zeigen, dass die kondensationsgefährdeten Bereiche vom Randeffekt beeinflusst werden und dass während des Temperaturabfalls bis zum Taupunkt und der tatsächlichen Kondensation Unterkühlung und Kondensationsverzögerungen auftreten. Gleichzeitig wurde der mittlere absolute Fehler (MAE) der Temperaturvorhersagen des CNN-LSTM-Modells im Vergleich zu CNN und LSTM um 41,7 % bzw. 48,8 % reduziert; der quadratische Mittelwertfehler (RMSE) wurde im Vergleich zu den beiden genannten Modellen um 40,7 % bzw. 49,1 % verringert; und die Bestimmtheitsmaß R² war besser als bei den CNN- und LSTM-Modellen.

Kühlplatte;Kondensationsschutz;Dynamische Temperaturänderung;Temperaturvorhersage