指出了经验关联式的缺点是传热系数强烈依赖于它们的定义和温差，当流体性质依赖于流体温度时，不可避免地需要通过迭代来获取关联式。而ANN不需要定义迭代方法，只需要输入和输出样本来训练神经网络，然后将输出结果作为测试样本送入训练好的网络。

对于一些问题，特别是涉及传热现象的问题，如传热系数的计算，经验关联式的缺点确实存在。传热系数通常强烈依赖于其定义和温差，以及流体性质的温度依赖性。当流体性质与温度相关时，直接得到准确的关联式是困难的，可能需要通过迭代方法来获取更准确的关联式。

相比之下，神经网络 (ANN) 的训练过程不需要显式定义迭代方法。通过提供输入和输出样本，神经网络可以通过学习数据中的模式和规律来自动调整权重和参数。这使得ANN能够学习到输入和输出之间的复杂非线性关系，包括温度对传热系数的影响。

一旦ANN训练完成，我们可以将测试样本输入训练好的网络，通过前向传播得到输出结果。这样，我们可以使用神经网络来预测传热系数，而无需显式定义迭代方法。

总结来说，相较于经验关联式，神经网络在处理涉及复杂非线性关系的问题时具有更大的灵活性和适应性，而且不需要显式定义迭代方法。