La alta densidad de potencia en motores hace que los problemas de gestión térmica sean cada vez más severos, y la predicción precisa del coeficiente de conductividad térmica equivalente de los tubos de calor es crucial para el diseño de la disipación de calor del motor. En relación con el rendimiento de los tubos de calor y los problemas de predicción en el sistema de enfriamiento del motor, este artículo utiliza el coeficiente de conductividad térmica equivalente como índice de evaluación y estudia experimentalmente el mecanismo de influencia de parámetros clave como la potencia de la fuente de calor, la posición relativa de la sección de condensación y la sección de evaporación, y el ángulo de flexión sobre el rendimiento de transferencia de calor de los tubos de calor. Sobre esta base, se establecieron y compararon cinco modelos de aprendizaje automático: red neuronal de propagación hacia atrás optimizada por algoritmo genético (GA-BPNN), red neuronal convolucional (CNN), máquina de vectores de soporte de mínimos cuadrados (LSSVM), bosque aleatorio (RF) y Extreme Gradient Boosting (XGBoost). Los resultados muestran que la gravedad y el ángulo de flexión tienen el mayor impacto en el rendimiento térmico del tubo de calor, siendo el tubo de calor doblado 90° en el lado superior el que presenta el mejor rendimiento térmico, con una conductividad térmica 30 veces mayor que la del lado inferior; el modelo XGBoost mostró un error porcentual absoluto medio del 3.72%, un coeficiente de determinación de 0.95 y una raíz cuadrada media del error cuadrático solo superada por el modelo GA-BPNN; el modelo XGBoost es el más preciso entre los cinco modelos seleccionados y tiene un tiempo de entrenamiento inferior a 2 segundos; la predicción del modelo XGBoost muestra que el rendimiento del tubo de calor varía con la posición de instalación y el ángulo de flexión, y para mejorar la uniformidad térmica de los devanados del motor, se recomienda usar tubos de calor con un ángulo de flexión de 0° para el enfriamiento del motor.

motor; tubos de calor; coeficiente de conductividad térmica equivalente; aprendizaje automático