Thermo-informatics is an emerging research field that integrates thermal engineering with informatics. Specifically, this research combines experimental approaches with machine learning to systematize the mechanisms of heat-transfer enhancement in in-tube flow-boiling phenomena. This approach is expected to lead to foundational technologies for optimizing heat transport and designing high-performance heat exchangers.

In flow boiling, where vapor and liquid flow in a complex manner, the “thinness” and “distribution” of the liquid film — driven by convective effects — are considered the keys to enhancing heat transfer. Therefore, this study attempts to elucidate the interactions of the dynamic factors inherent in boiling phenomena, such as surface tension, gravity, and inertial forces, by utilizing machine learning. The introduction of machine learning enables various experimental data (explanatory variables) to be deeply correlated with these dynamic factors, thereby allowing for a highly sophisticated and detailed analysis of the underlying physical mechanisms. As shown in the figure, it has been demonstrated that it is now possible to predict non-linear heat-transfer variations, particularly in the dryout region, which have traditionally been difficult to predict using conventional empirical correlations.

Moving forward, the aim is to further enhance the versatility and reliability of the machine-learning models. Through the advanced harmonization of thermal engineering and informatics, this research will contribute to the realization of a sustainable society.

「サーモインフォマティクス」とは、熱を扱う「熱工学」と、データを扱う「情報工学」を融合させた新しい研究領域です。本研究では、特に、「実験」と「機械学習」を掛け合わせ、管内の流動沸騰現象における伝熱促進メカニズムの体系化を目指しています。

本研究アプローチは、熱輸送を最適化し、高性能な熱交換器を設計するための基盤技術の創出に繋がると考えています。

気体と液体が複雑に混ざり合って流れる流動沸騰においては、対流の効果によって生じる「液膜の薄さ」や「その分布」が、伝熱促進の鍵とされています。そこで、沸騰現象に内在する力学的な要因（表面張力・重力・慣性力など）の相互作用を、機械学習を用いて明らかにしていくことが本研究の試みです。機械学習の導入は、さまざまな実験データ（説明変数）と力学的な要因を深く紐づけることができ、物理メカニズムをより高度かつ詳細に分析することが可能となります。図が示すように従来の整理式では予測が難しかった非線形な伝熱変化（ドライアウト領域）においても、予測可能であることが分かってきました。

今後は、さらに機械学習モデルの汎用性と信頼性を高め、「熱工学×情報工学」の高度な調和から持続可能な社会の実現に貢献いたします。