[发明专利]一种基于神经网络的两相流动换热模型的应用方法

权利要求书

1.一种基于神经网络的两相流动换热模型的应用方法，其特征在于：通过建立神经网络模型预测两相流动换热关键参数并将其应用在热工水力程序中，克服了传统热工水力程序中两相流动换热模型适用范围窄、计算误差大的缺陷，扩大适用范围的同时能够提升计算精度；

该方法包含以下步骤：

步骤1：收集两相流动换热实验数据，建立两相流动换热模型数据库；两相流动换热特性的关键参数为换热系数、临界热流密度和流型，因此需要收集两相流动换热的换热系数、临界热流密度和流型划分的实验数据，将不同来源的实验数据进行预处理，将单位统一为国际单位制并去除明显错误的数据点；

对于两相流动换热的换热系数、由于两相流动换热中核态沸腾为壁面上生成气泡，然而在壁面热流密度大的情况下壁面会瞬间形成气膜，因此核态沸腾换热系数和膜态沸腾换热系数会有差异，需要分别建立核态沸腾换热系数和膜态沸腾换热系数数据库；

步骤2：确定预测两相流动换热关键参数所需的特征参数；根据两相流动换热特性，将两相流动的核态沸腾换热系数、膜态沸腾换热系数、临界热流密度和流型作为预测参数，分别选择对应的特征参数；

对于两相流动换热的核态沸腾换热系数和膜态沸腾换热系数预测，由于两相流动换热实验中无法对液相流速和气相流速分别测量，因此核态沸腾换热系数和膜态沸腾换热系数的特征参数均为：压力、含气率、质量流密度、管内径和无量纲物性参数，无量纲物性参数能够扩大两相流动换热模型的适用范围，从单一工质扩展至多种工质，无量纲参数如式(1)所示：

式(1)中：

——无量纲物性参数；

c_pl——液相定压比热/kJ·kg^-1·K^-1

μ_l——液相动力粘度/Pa·s

k_l——液相热导率/W·m^-1·K^-1

对于两相流动换热的临界热流密度预测，选择的特征参数为：压力、含气率和质量流密度；

对于两相流动换热的流型预测，选择的特征参数为：空泡份额、液相流速和气相流速；流型种类分为：泡状流、弹状流、过渡流、环状流和弥散流；

步骤3：建立预测参数的神经网络模型并使用建立的数据库对其进行训练；

建立预测核态换热系数、膜态沸腾换热系数、临界热流密度和流型的神经网络模型；

以上四个神经网络模型的建立方法相同，需要确定输入层节点、输出层节点、隐含层节点，将步骤2中的特征参数作为神经网络的输入层节点，将待预测参数作为神经网络的输出层节点，为保证神经网络模型预测精度，隐含层层数选择为2层，隐含层神经元数量根据式(2)确定：

式(2)中：

N_h——隐含层神经元数量；

N_i——输入层节点数量；

N_o——输出层节点数量；

α——调节常数，取1～10；

从步骤1建立的数据库中选择的相应的实验数据并进行归一化处理，将处理后的数据作为神经网络模型的训练数据，将所有数据划分为训练集、验证集和测试集，对神经网络模型进行训练，使其能够在输入特征参数后输出相应的预测参数；

基于上述方法建立了预测核态沸腾换热系数、膜态沸腾换热系数、临界热流密度和流型的神经网络模型，便能够开展基于神经网络的两相流动换热计算，基于神经网络的两相流动换热模型计算逻辑如下：首先进行临界热流密度的预测，若实际热流密度小于临界热流密度，认为当前状态为核态沸腾，采用核态沸腾换热系数神经网络模型进行计算；若实际热流密度大于临界热流密度，认为当前状态为膜态沸腾，采用膜态沸腾换热系数神经网络模型进行计算；计算完成后进行流型预测，若采用核态沸腾换热系数神经网络模型进行计算，流型必须为泡状流、弹状流和过渡流其中一种，若采用膜态沸腾换热系数神经网络模型进行计算，流型必须为过渡流、环状流和弥散流其中一种，否则重新进行临界热流密度的预测；

步骤4：在热工水力程序中添加耦合接口，对神经网络模型进行调用；在热工水力程序的本构方程中增加基于神经网络的两相流动换热模型，在程序输入中选择是否调用神经网络模型计算；

步骤5：修改热工水力程序计算逻辑，在热工水力程序计算时，首先判断是否为两相流动换热计算，若是两相流动换热计算，则在热工水力程序中向神经网络模型输入步骤2中的特征参数开展热工水力计算；若为单相流动换热计算，则采用热工水力程序原有的单相计算关系式；

步骤6：判断计算结果是否收敛，若通过以上流动换热计算得到的壁面温度高于材料熔点或壁面温度低于流体温度，认为计算结果不收敛，则对输入参数迭代后重复步骤5，若通过以上流动换热计算得到的壁面温度低于材料熔点且不低于流体温度，认为计算结果收敛，则结束计算。