[发明专利]一种过冷流动沸腾换热质量传递松弛因子预测方法

摘要

本发明提供了基于径向基神经网络的过冷流动沸腾换热质量传递松弛因子预测方法，包括通过CFD软件，试凑不同工况下的质量传递松弛因子；采集不同工况下的流动参数和质量传递松弛因子；确定RBF神经网络的输入和输出变量；RBF神经网络的训练和测试；利用所训练的RBF神经网络预测不同工况下的质量传递松弛因子，实现过冷流动沸腾换热质量传递松弛因子的预测。本发明考虑了不同流动参数对质量传递松弛因子的影响，试凑每个工况下最佳的质量传递松弛因子，基于流动参数和质量传递松弛因子建立RBF神经网络预测模型。通过在RBF神经网络预测模型中直接输入不同工况下的流动参数，能够快速、准确地预测冷却通道过冷流动沸腾换热的质量传递松弛因子。

主权项

1.基于径向基神经网络的过冷流动沸腾换热质量传递松弛因子预测方法，其特征在于，包括以下步骤：1)选取矩形冷却通道作为对象，试凑质量传递松弛因子β:在CFD软件数值计算时，首先采用试验中的一组工况进行试算，设定壁面过热度、液体过冷度、进口流速和系统压力，在相变模型的质量传递选项中设定质量传递松弛因子β初始值，计算加热面的热流密度；将计算得到的热流密度与试验值相比，若误差小于设定值，则认为初始值为对应该工况的最佳β值；如果误差大于设定值范围，则调大或调小β值，再次进行热流密度计算，之后重复上述工作，多次调节β值，直到误差小于设定值，最终获得对应该工况的最佳β值，完成一组工况的计算后，在其它不同工况下同样采用这种试算方法，试凑得到所有工况下对应的最佳β值；2)采集数据：采集不同工况下冷却水腔过冷流动沸腾的CFD数值计算数据，包括过冷流动沸腾的影响因素：即壁面过热度△T_sup、液体过冷度△T_sub、进口流速U_inlet、系统压力P_sys和对应该工况的最佳质量传递松弛因子β；3)确定RBF神经网络的输入和输出向量：建立β的神经网络预测模型，将壁面过热度、液体过冷度、进口流速和系统压力作为输入层神经元，个数为4，β作为输出层神经元，个数为1，预测不同工况下的β；4)RBF神经网络的训练和测试：将步骤2)采集到的数据随机选取一定数据为训练集，剩下作为测试集；通过多次测试，确定合适的径向基函数的中心C_i、宽度σ_i以及输出权值w_ik，其中径向基函数的中心C_i利用从输入层到隐含层的K‑均值聚类算法来确定，基函数宽度σ_i的大小影响了RBF网络的复杂程度，通过所选中心间的最大距离来确定，从隐含层到输出层的连接权值w_ik利用最小二乘法计算得到；最终使网络误差达到目标期望值，训练得到了精度较高的β的RBF神经网络预测模型；5)测试不同工况下的β：输入不同工况下的壁面过热度、液体过冷度、进口流速和系统压力，得到β的预测值，采用所得到的β对不同工况下的热流密度进行数值计算，并将计算结果与试验结果进行比较，实现冷却水腔过冷流动沸腾换热质量传递松弛因子的预测。