Die hohe Leistungsdichte von Elektromotoren verschärft die Wärmeproblematik, und die genaue Vorhersage des äquivalenten Wärmeleitkoeffizienten von Heatpipes ist entscheidend für das Kühldesign von Motoren. Im Hinblick auf die Leistung und Leistungsprognose von Heatpipes im Motorkühlsystem verwendet diese Arbeit den äquivalenten Wärmeleitkoeffizienten als Bewertungsgröße und untersucht experimentell die Einflussmechanismen von Schlüsselfaktoren wie Wärmequellenleistung, relativer Position von Kondensations- und Verdampfungsabschnitt sowie Biegewinkel auf die Wärmeübertragungsleistung von Heatpipes. Darauf aufbauend wurden fünf maschinelle Lernmodelle erstellt und verglichen: genetisch optimiertes Rückpropagationsnetzwerk (GA-BPNN), Convolutional Neural Network (CNN), Least Squares Support Vector Machine (LSSVM), Random Forest (RF) und Extreme Gradient Boosting (XGBoost). Die Ergebnisse zeigen, dass Schwerkraft und Biegewinkel den größten Einfluss auf die Wärmeleitfähigkeit der Heatpipes haben. Heatpipes mit 90°-Biegung an der Oberseite weisen die beste Wärmeleitfähigkeit auf, die 30-mal höher ist als bei der unteren Seite; das XGBoost-Modell erzielte eine mittlere absolute prozentuale Abweichung von 3,72 %, einen Bestimmtheitsmaß von 0,95 und eine quadratische Mittelwurzel der Fehler nur geringfügig schlechter als das GA-BPNN-Modell; das XGBoost-Modell hat die höchste Genauigkeit unter den fünf ausgewählten Modellen und eine Trainingszeit von unter 2 Sekunden; die Vorhersage des XGBoost-Modells zeigt, dass die Leistung der Heatpipes je nach Installationsposition und Biegewinkel variiert. Um die Temperaturgleichmäßigkeit der Motorwicklungen zu verbessern, wird empfohlen, Heatpipes mit einem Biegewinkel von 0° für die Motorkühlung zu verwenden.

Motor; Heatpipe; äquivalenter Wärmeleitkoeffizient; maschinelles Lernen