[发明专利]基于采用多父代遗传算法的人工神经网络的喷射器性能预测方法

说明书

技术领域

本发明涉及一种喷射器性能预测方法，尤其是一种基于采用多父代遗传算法的人工神经网络的喷射器性能预测方法。

背景技术

喷射器工作时，由一股压力较高的流体通过工作喷嘴产生真空，并吸入压力较低的流体，混合后通过扩压器提高流体的压力，最终得到中等压力的流体，即将低压流体压力的提升，实现压缩的效果。喷射器可以利用工业余压、余热、废热、太阳能热、地热等低品位能源作为驱动，无需消耗电力，具有良好的节能减排效果；已广泛应用于化工、热能、制冷、暖通等领域。

临界工作状态下的引射系数(ε)与出口背压(pc)是喷射器最关键的性能参数。但由于喷射器内部流动非常复杂，包括两次壅塞、超音速流动、各类激波、扇形扩散等现象，采用一维物理模型模拟得到的参数精度较低，效果较差，如文献1(W.Chen et al.Theoretical analysis of ejector refrigeration system performance under overall modes.Applied energy,185-2:2074-2084,2016.，即W.Chen等.全工况下喷射制冷系统性能的理论分析.应用能源,185-2:2074-2084,2016.)以及文献2(JM.Cardemil et al.A general model for evaluation of vapor ejectors performance for application in refrigeration.Energy Conversion and Management,64:79-86,2012，即JM.Cardemil等.一个用于制冷用蒸汽喷射器性能评估的模型.能量转换与管理,64:79-86,2012.)中所示的，传统模型的平均误差多在5-10％，而最大误差可达15％以上。如采用计算流体力学的方法则耗时过长、也耗费人力物力，不适合设计及相关循环的研究。上述现状对喷射器的设计应用、相关循环研究等工作带来问题。

发明内容

为了克服已有喷射器性能预测方法的预测精度较低、耗时过长的不足，本发明提供了一种预测精度较高、耗时较短的基于采用多父代遗传算法的人工神经网络的喷射器性能预测方法。

本发明解决其技术问题所采用的技术方案是：

一种基于采用多父代遗传算法的人工神经网络的喷射器性能预测方法，包括以下步骤：

步骤一，数据的采集与处理

对于给定的喷射器，收集相关参数即引射流体压力Pe、工作流体压力Pp、出口背压Pc和引射系数ε，对引射流体压力、工作流体压力与出口背压进行归一化处理，使其到[0,1]之间，公式如下：

其中，k为归一化后的数据，x为被归一化数据，x_min为被归一化数据中的最小值，x_max为被归一化数据中最大值；

步骤二，神经网络结构的建立

根据输入输出参数，确定神经网络的输入输出层结点数，隐含层层数为一层，节点数根据经验公式：得出，其中l、n为输入、输出节点数，a为常数取1～10。判定神经网络的输入层节点数，输出层节点数，选取隐含层节点数、学习率、训练目标、循环次数设置和各层权值初始值；

步骤三，设置遗传算法初始参数

设置种群规模、进化次数、交叉概率和变异概率，将BP神经网络的权值与阈值组成遗传编码，重复运行步骤二中建立的神经网络并记录每次运行完成的遗传编码建立种群；

步骤四，建立评价函数，以每组染色体所构造的神经网络所预测的结果为依据，计算并记录对应的适应度值；

步骤五，遗传算法处理

a.选择操作：在旧群体中以一定概率选择个体用来产生下一代，个体被选中的概率与适应度值有关，适应度的值越好，被选中的概率就越大；

b.多父代交叉操作：b.多父代交叉操作：是指从种群中选择多条父代染色体进行下一代染色体的建立，通过染色体的交叉组合，产生新的个体；

c.变异操作：是指从群体中任选一个个体，对所选择的染色体中某段编码进行变异以产生更优秀的个体；

步骤六，将新得到的染色体个体中的遗传编码进行解码，计算适应度，与原种群进行比较，优胜劣汰；重复步骤四-步骤五，不断的对种群中个体进行选择、交叉、变异操作并记录适应度值，达到进化次数上限；适应度最优解对应的染色体即为所建立的多父代BP-GA神经网络所对应的阈值与权值，对得到的多父代BP-GA神经网络进行训练，直至预测输出变量的误差小于给定值；