In den letzten Jahren wurden modulare Flüssigkeitskühlplatten in Kühlsystemen von Schiffselektronik weit verbreitet eingesetzt. Während die Kühlleistung gewährleistet wird, ist das Verhindern von Kondensation auf der Oberfläche der Kühlplatte für den sicheren Betrieb der elektronischen Geräte von entscheidender Bedeutung. Diese Studie untersucht experimentell die dynamische Veränderung der Oberflächentemperatur der Kühlplatte und das Kondensationsphänomen unter verschiedenen Kühlbedingungen und entwickelt ein Hybridmodell aus einem Convolutional Neural Network (CNN) und einem Langzeit-Kurzzeit-Gedächtnis-Netzwerk (LSTM) (CNN-LSTM) zur Vorhersage der Temperatur von zur Kondensation neigenden Bereichen auf der Oberfläche der Kühlplatte. Die Ergebnisse zeigen, dass die zur Kondensation neigenden Bereiche vom Randeffekt beeinflusst werden und dass während des Temperaturabfalls bis zum Taupunkt und dem tatsächlichen Kondensationsprozess Überkühlung und Verzögerungsverhalten auftreten. Gleichzeitig sinkt der mittlere absolute Fehler (MAE) der Temperaturprognosen des CNN-LSTM-Modells im Vergleich zu CNN und LSTM um 41,7 % bzw. 48,8 %; der Root Mean Square Error (RMSE) reduziert sich um 40,7 % bzw. 49,1 %; und der Bestimmtheitsmaß R² ist ebenfalls besser als bei den Modellen CNN und LSTM.

Kühlplatte;Kondensationsschutz;dynamische Temperaturänderung;Temperaturvorhersage