A alta densidade de potência de motores torna os problemas de gerenciamento térmico cada vez mais graves, e a previsão precisa do coeficiente de condutividade térmica equivalente das heat pipes é crucial para o projeto de dissipação de calor do motor. Em relação ao desempenho das heat pipes e aos problemas de previsão no sistema de resfriamento do motor, este artigo utiliza o coeficiente de condutividade térmica equivalente como indicador de avaliação, estudando experimentalmente o mecanismo de influência de parâmetros-chave como potência da fonte de calor, posição relativa das seções de condensação e evaporação, e ângulo de dobra no desempenho da transferência de calor das heat pipes. Com base nisso, foram estabelecidos e comparados cinco modelos de aprendizado de máquina: rede neural de retropropagação otimizada por algoritmo genético (GA-BPNN), rede neural convolucional (CNN), máquina de vetor de suporte de mínimos quadrados (LSSVM), floresta aleatória (RF) e Extreme Gradient Boosting (XGBoost). Os resultados mostram que a gravidade e o ângulo de dobra têm o maior impacto na condutividade térmica das heat pipes, sendo que a heat pipe dobrada em 90° do lado superior apresenta o melhor desempenho térmico, com condutividade térmica 30 vezes maior do que a do lado inferior; o modelo XGBoost teve um erro percentual absoluto médio de 3,72%, coeficiente de determinação de 0,95 e raiz do erro quadrático médio somente atrás do modelo GA-BPNN; o modelo XGBoost é o mais preciso entre os cinco modelos selecionados e tem tempo de treinamento inferior a 2 segundos; a previsão do modelo XGBoost indica que o desempenho das heat pipes varia com a posição de instalação e o ângulo de dobra, e para melhorar a uniformidade térmica das bobinas do motor, recomenda-se o uso de heat pipes com ângulo de dobra de 0° no resfriamento do motor.

motor; heat pipe; coeficiente de condutividade térmica equivalente; aprendizado de máquina