Ces dernières années, les plaques de refroidissement liquide modulaires ont été largement utilisées dans les systèmes de dissipation thermique des équipements électroniques marins. Assurer la capacité de refroidissement tout en empêchant la condensation sur la surface de la plaque de refroidissement liquide est crucial pour le fonctionnement sécurisé des équipements électroniques. Cette étude expérimentale a analysé les variations dynamiques de la température de surface de la plaque de refroidissement liquide et le phénomène de condensation sous différentes conditions de refroidissement, et a établi un modèle hybride combinant un réseau de neurones convolutifs (CNN) et un réseau à mémoire à long court terme (LSTM) (CNN-LSTM) pour prédire la température des zones susceptibles à la condensation sur la surface de la plaque. Les résultats montrent que les zones sujettes à la condensation sont affectées par des effets de bord, et qu’il existe des phénomènes de surfroidissement et de retard de condensation dans le processus où la température descend du point de rosée à la condensation effective. Par ailleurs, l’erreur absolue moyenne (MAE) des prédictions de température du modèle CNN-LSTM a été réduite de 41,7 % et 48,8 % par rapport aux modèles CNN et LSTM respectivement ; l’erreur quadratique moyenne (RMSE) a diminué de 40,7 % et 49,1 % respectivement ; et le coefficient de détermination R² est aussi meilleur que ceux des modèles CNN et LSTM.

Plaque de refroidissement;Anti-condensation;Variation dynamique de la température;Prédiction de la température