准确建模颗粒带流中炭粒的燃烧速率至关重要。然而，由于该过程具有强烈的不均匀性和非线性，准确解析炭粒的表面燃烧速率仍然具有挑战性。在本研究中，开发了一种基于极端梯度提升（XGBoost）的框架，以重新制定传统的炭氧化速率模型，即Baum&Street（B&S）模型，得出一个修改后的模型，称为XGB-B&S模型。在该模型中，结合颗粒雷诺数和一个无量纲温度引入并制定了修正项βturb。通过粒子解析的直接数值模拟（PR-DNS）方法模拟了一个炭粒燃烧的湍流混合层，从而生成了用于模型训练和验证的高保真数据集。为了评估XGBoost模型的预测能力，其结果与人工神经网络模型的结果进行了基准比较。比较表明，XGBoost提供更好的整体准确性，反映在更大的决定系数（R²）和较小的均方根误差和平均绝对误差值上。最后，XGB-B&S模型通过测试数据集进行了验证。XGB-B&S预测与PR-DNS结果之间的R²明显高于传统B&S模型与PR-DNS结果之间的R²，确认了XGBoost在建模炭粒氧化速率方面的强大预测能力。
邓等（周三）研究了这个问题。