Ces dernières années, les plaques de refroidissement liquide modulaires ont été largement utilisées dans les systèmes de refroidissement des équipements électroniques marins. Tout en assurant la capacité de refroidissement, la prévention de la condensation sur la surface des plaques est cruciale pour le fonctionnement sûr des équipements électroniques. Cet article étudie expérimentalement les variations dynamiques de la température de surface des plaques sous différentes conditions de refroidissement ainsi que le phénomène de condensation, et établit un modèle hybride combinant un réseau de neurones convolutionnel (CNN) et un réseau de mémoire à long terme et court terme (LSTM) (CNN-LSTM) pour prédire la température des zones susceptibles à la condensation sur la surface des plaques. Les résultats montrent que les zones sujettes à la condensation sont influencées par les effets de bord, et que pendant la baisse de température jusqu'au point de rosée avant la condensation réelle, des phénomènes de surfroidissement et de retard de condensation sont observés. En même temps, l'erreur absolue moyenne (MAE) des valeurs prédites par le modèle CNN-LSTM est réduite de 41,7 % et 48,8 % par rapport aux modèles CNN et LSTM respectivement; la racine de l'erreur quadratique moyenne (RMSE) est réduite de 40,7 % et 49,1 %; le coefficient de détermination R² est également supérieur à celui des modèles CNN et LSTM.

plaque de refroidissement;anti-condensation;variation dynamique de température;prédiction de la température