本發(fā)明涉及一種質(zhì)量傳遞松弛因子的預(yù)測方法，尤其涉及一種基于徑向基(radialbasisfunction，rbf)神經(jīng)網(wǎng)絡(luò)的過冷流動沸騰換熱質(zhì)量傳遞松弛因子的預(yù)測方法。

背景技術(shù)：

目前，隨著對換熱的要求不斷提高，常見的換熱方式如對流換熱已經(jīng)無法滿足一些行業(yè)的換熱需求。而過冷流動沸騰換熱由于其具有高換熱能力，能夠達到高溫冷卻的效果，在許多行業(yè)(如內(nèi)燃機行業(yè)、制冷業(yè)、核工業(yè))中具有重要的應(yīng)用前景。近些年來國內(nèi)外學(xué)者針對冷卻通道的過冷流動沸騰換熱進行了大量的研究，在模擬方面研究了沸騰換熱熱流密度隨各因素(如壁面過熱度、液體過冷度、系統(tǒng)壓力和進口流速等)的變化情況，根據(jù)數(shù)值計算結(jié)果擬合出了部分預(yù)測沸騰換熱熱流密度的經(jīng)驗公式。但是由于這些經(jīng)驗公式中的部分系數(shù)適用范圍有限，使得熱流密度預(yù)測結(jié)果誤差較大，采用智能計算和機器學(xué)習(xí)的方法來預(yù)測沸騰換熱計算關(guān)聯(lián)式中的相關(guān)參數(shù)是必要的。

由于cfd軟件在沸騰換熱模擬過程中，需要使用蒸發(fā)和冷凝模型，而蒸發(fā)和冷凝過程最重要的一個環(huán)節(jié)就是解決質(zhì)量傳遞問題。但在目前的研究中，往往忽略質(zhì)量傳遞松弛因子對沸騰換熱的影響，將其值取為定值，由此帶來的是氣液兩相間的相變質(zhì)量傳遞誤差過大，所計算的熱流密度精度較低。因此本專利側(cè)重于不同工況下過冷流動沸騰換熱質(zhì)量傳遞松弛因子的精確預(yù)測，從而提高沸騰換熱熱流密度的計算精度，為其他使用相變模型的過冷流動沸騰過程提供參考。

rbf神經(jīng)網(wǎng)絡(luò)是一種高效的前向型神經(jīng)網(wǎng)絡(luò)，能夠逼近任意非線性函數(shù)。由于它通過引入徑向基函數(shù)解決高維特征空間中的非線性回歸問題，無須描述非線性函數(shù)的數(shù)學(xué)方程，具有結(jié)構(gòu)簡單、逼近能力好、收斂性強的特點，適用于機理復(fù)雜、影響因素眾多的過冷流動沸騰問題。因此，選擇具有良好非線性映射能力的rbf神經(jīng)網(wǎng)絡(luò)方法，建立矩形冷卻通道中過冷流動沸騰換熱的質(zhì)量傳遞松弛因子預(yù)測模型，從而預(yù)測得到不同工況下最佳的質(zhì)量傳遞松弛因子。

技術(shù)實現(xiàn)要素：

本發(fā)明針對現(xiàn)有存在的不足，提出一種基于徑向基(rbf)神經(jīng)網(wǎng)絡(luò)的過冷流動沸騰換熱質(zhì)量傳遞松弛因子的計算方法，該方法考慮了不同流動參數(shù)對質(zhì)量傳遞松弛因子的顯著影響，基于流動參數(shù)和質(zhì)量傳遞松弛因子建立預(yù)測模型，從而有效地解決現(xiàn)有技術(shù)中采用定值質(zhì)量傳遞松弛因子對過冷流動沸騰換熱數(shù)值計算誤差較大的問題，提高了熱流密度的計算精度。

為實現(xiàn)上述的發(fā)明目的，本發(fā)明采用下述的技術(shù)方案:

一種基于徑向基神經(jīng)網(wǎng)絡(luò)的過冷流動沸騰換熱質(zhì)量傳遞松弛因子預(yù)測方法，包括以下步驟：

1)選取矩形冷卻通道作為對象，試湊傳遞松弛因子β:在cfd軟件數(shù)值計算時，首先采用試驗中的一組工況進行試算，設(shè)定壁面過熱度、液體過冷度、進口流速和系統(tǒng)壓力，在相變模型的質(zhì)量傳遞選項中設(shè)定質(zhì)量傳遞松弛因子β初始值，計算加熱面的熱流密度；如果計算得到的熱流密度與試驗誤差在設(shè)定值以內(nèi)，則認為初始值為對應(yīng)該工況的最佳β值；如果誤差大于設(shè)定值范圍，則調(diào)大或調(diào)小β值，再次進行熱流密度計算，之后重復(fù)上述工作，多次調(diào)節(jié)β值，直到誤差小于設(shè)定值，最終獲得對應(yīng)該工況的最佳β值，完成一組工況的計算后，在其它不同工況下同樣采用這種試算方法，試湊得到所有工況下對應(yīng)的最佳β值；

2)采集數(shù)據(jù)：采集不同工況下冷卻水腔過冷流動沸騰的cfd數(shù)值計算數(shù)據(jù)，包括過冷流動沸騰的影響因素：即壁面過熱度△tsup、液體過冷度△tsub、進口流速uinlet、系統(tǒng)壓力psys和對應(yīng)該工況的最佳質(zhì)量傳遞松弛因子β；

3)確定徑向基(rbf)神經(jīng)網(wǎng)絡(luò)的輸入和輸出向量：建立β的神經(jīng)網(wǎng)絡(luò)預(yù)測模型，將壁面過熱度、液體過冷度、進口流速和系統(tǒng)壓力作為輸入層神經(jīng)元，個數(shù)為4，β作為輸出層神經(jīng)元，個數(shù)為1，預(yù)測不同工況下的β；

4)rbf神經(jīng)網(wǎng)絡(luò)的訓(xùn)練和測試：將步驟2)采集到的數(shù)據(jù)隨機選取一定數(shù)據(jù)為訓(xùn)練集，剩下作為測試集；通過多次測試，確定合適的徑向基函數(shù)的中心ci、寬度σi以及輸出權(quán)值wik，其中徑向基函數(shù)的中心ci利用從輸入層到隱含層的k-均值聚類算法來確定，基函數(shù)寬度σi的大小影響了rbf網(wǎng)絡(luò)的復(fù)雜程度，通過所選中心間的最大距離來確定，從隱含層到輸出層的連接權(quán)值wik利用最小二乘法計算得到；最終使網(wǎng)絡(luò)誤差達到目標期望值，訓(xùn)練得到了精度較高的β的rbf神經(jīng)網(wǎng)絡(luò)預(yù)測模型；

5)測試不同工況下的β：輸入不同工況下的壁面過熱度、液體過冷度、進口流速和系統(tǒng)壓力，得到β的預(yù)測值，采用所得到的β對不同工況下的熱流密度進行數(shù)值計算，并將計算結(jié)果與試驗結(jié)果進行比較，實現(xiàn)冷卻水腔過冷流動沸騰換熱質(zhì)量傳遞松弛因子的預(yù)測。

進一步，所述矩形通道中局部熱流密度的數(shù)值計算在sc/tetra中進行，rbf神經(jīng)網(wǎng)絡(luò)的訓(xùn)練及測試過程均在matlabr2012a環(huán)境下進行。

進一步，設(shè)定質(zhì)量傳遞松弛因子β初始值為100s^-1。

進一步，所述步驟4)的具體過程為：

4.1)確定rbf神經(jīng)網(wǎng)絡(luò)輸入層、隱含層和輸出層m-h-n的連接方式，其中輸入層、隱含層、輸出層的神經(jīng)元分別為m、h、n個；將神經(jīng)網(wǎng)絡(luò)的權(quán)值進行隨機賦值；訓(xùn)練集設(shè)為t＝{(x,y)＝(x1,y1),(x2,y2),...,(xm,yn)}；其中，xm是rbf網(wǎng)絡(luò)輸入向量，yn是輸出向量,p為訓(xùn)練集樣本個數(shù)，h<p；

4.2)所構(gòu)建的rbf網(wǎng)絡(luò)采用高斯函數(shù)實現(xiàn)從輸入層向隱含層的非線性映射，即:

其中，xp是第p個輸入樣本，p＝1,2,...p；ci是第i個基函數(shù)的中心；σi是第i個基函數(shù)的寬度；║xp-ci║是向量xp-ci的歐氏范數(shù)，表示xp與ci之間的距離；

4.3)rbf網(wǎng)絡(luò)采用下式實現(xiàn)從隱含層到輸出層的線性映射，即

其中，k為輸出層的節(jié)點數(shù)，wik表示隱含層到輸出層的連接權(quán)值；

4.4)從第0個神經(jīng)元開始訓(xùn)練網(wǎng)絡(luò)，將網(wǎng)絡(luò)的輸出誤差進行比較并自動增加神經(jīng)元個數(shù)，訓(xùn)練樣本每次循環(huán)計算之后，將網(wǎng)絡(luò)產(chǎn)生最大誤差所對應(yīng)的訓(xùn)練樣本作為權(quán)值向量，然后將該向量作為新的隱含層神經(jīng)元加入網(wǎng)絡(luò)，再次計算并檢查網(wǎng)絡(luò)誤差，不斷重復(fù)該過程直到訓(xùn)練誤差滿足要求或最大的隱含層神經(jīng)元數(shù)時為止，最終確定隱含層神經(jīng)元節(jié)點；

4.5)對該rbf神經(jīng)網(wǎng)絡(luò)訓(xùn)練時，采用k-均值聚類算法來確定隱含層徑向基函數(shù)的中心ci；基函數(shù)寬度σi通過所選中心間的最大距離來確定；根據(jù)基函數(shù)寬度σi確定隱含層節(jié)點的擴展常數(shù)spread；采用最小二乘法計算隱含層到輸出層對應(yīng)的連接權(quán)值wik；

4.6)將所訓(xùn)練神經(jīng)網(wǎng)絡(luò)的輸出值即預(yù)測值與試驗值進行比較，并采用mse來評價rbf神經(jīng)網(wǎng)絡(luò)的訓(xùn)練精度，公式如下:

其中，n0為樣本數(shù)量，yi為試驗值，yi為rbf神經(jīng)網(wǎng)絡(luò)的預(yù)測值；

本發(fā)明具備的效果和優(yōu)點：本發(fā)明所建立的rbf神經(jīng)網(wǎng)絡(luò)能夠較好的表達輸入量和輸出量之間的非線性關(guān)系，避免建立精度較低的復(fù)雜數(shù)學(xué)關(guān)聯(lián)式，簡化設(shè)計難度。本發(fā)明相比于傳統(tǒng)的將質(zhì)量傳遞松弛因子設(shè)為定值的過冷流動沸騰cfd計算過程，考慮了不同流動參數(shù)對質(zhì)量傳遞松弛因子的顯著影響，基于流動參數(shù)和質(zhì)量傳遞松弛因子建立預(yù)測模型，通過將預(yù)測值與試驗值對比表明：本發(fā)明建立的質(zhì)量傳遞松弛因子預(yù)測模型的精度遠高于定值質(zhì)量傳遞松弛因子沸騰模型的計算精度，對預(yù)測采用相變質(zhì)量傳遞模型數(shù)值計算的過冷流動沸騰換熱過程具有一定的適用性。

附圖說明

圖1是本發(fā)明利用rbf神經(jīng)網(wǎng)絡(luò)模型預(yù)測冷卻水腔過冷流動沸騰的流程圖；

圖2是β的rbf神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)圖；

圖3是訓(xùn)練過程的網(wǎng)絡(luò)誤差變化曲線；

圖4是采用rbf神經(jīng)網(wǎng)絡(luò)模型預(yù)測的β的預(yù)測值與模擬值的比較示意圖；

圖5是采用預(yù)測得的β數(shù)值計算的熱流密度與實驗值的比較示意圖。

具體實施方式

下面將結(jié)合本發(fā)明中的實施例和附圖對技術(shù)方案做進一步說明，但本發(fā)明的保護范圍并不限于此，同樣適用于其他使用相變模型進行過冷流動沸騰數(shù)值計算的過程。

選取矩形冷卻通道作為研究對象，基于rbf神經(jīng)網(wǎng)絡(luò)的過冷流動沸騰換熱質(zhì)量傳遞松弛因子的預(yù)測方法，其中冷卻通道中局部熱流密度的數(shù)值計算在sc/tetra中進行，rbf神經(jīng)網(wǎng)絡(luò)的訓(xùn)練及測試過程均在matlabr2012a環(huán)境下進行，主要包括如下步驟(如圖1)。

(1)試湊質(zhì)量傳遞松弛因子(β)：初始工況為加熱面壁面過熱度28℃，液體過冷度5℃，進口流速1m/s，系統(tǒng)壓力0.1mpa，質(zhì)量傳遞松弛因子(β)100s^-1，數(shù)值計算矩形通道加熱面上的熱流密度，將計算得到的熱流密度與試驗值相比，若誤差小于5％，認為100為對應(yīng)該工況的最佳β值；若誤差大于5％，則調(diào)大或調(diào)小相變模型中的質(zhì)量傳遞松弛因子β值，再次對熱流密度進行計算，直到誤差小于5％，最終得到這組工況下的最佳β值。設(shè)定過熱度范圍28℃-88℃，每隔5℃取一個過熱度值，重復(fù)上述的步驟，得到共13組數(shù)據(jù)。設(shè)定過冷度為5℃、20℃、30℃和40℃，流速為1m/s，壓力為0.1mpa，重復(fù)上述的步驟，計算得到52組數(shù)據(jù)。設(shè)定流速為0.4m/s、0.8m/s、1m/s和2m/s，過冷度5℃，壓力0.1mpa，重復(fù)上述的步驟，計算得到52組數(shù)據(jù)。設(shè)定壓力為0.1mpa和0.2mpa，過冷度5℃，流速1m/s，重復(fù)上述的步驟，計算得到26組數(shù)據(jù)。最終計算得到所有工況下共130組數(shù)據(jù)。

(2)采集數(shù)據(jù)：采集不同工況下冷卻水腔過冷流動沸騰數(shù)值計算得到的數(shù)據(jù)，包括過冷流動沸騰的影響因素：即壁面過熱度(△tsup)、液體過冷度(△tsub)、進口流速(uinlet)、系統(tǒng)壓力(psys)和對應(yīng)該工況的最佳質(zhì)量傳遞松弛因子(β)。

(3)確定rbf神經(jīng)網(wǎng)絡(luò)的輸入和輸出變量：建立β的神經(jīng)網(wǎng)絡(luò)預(yù)測模型，將壁面過熱度、液體過冷度、進口流速和系統(tǒng)壓力作為輸入層神經(jīng)元，個數(shù)為4，β作為輸出層神經(jīng)元，個數(shù)為1，預(yù)測不同工況下的β，神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如圖2所示。

(4)rbf神經(jīng)網(wǎng)絡(luò)的訓(xùn)練和測試：確定rbf神經(jīng)網(wǎng)絡(luò)輸入層、隱含層和輸出層m-h-n的連接方式，其中輸入層、隱含層、輸出層的神經(jīng)元分別為m、h、n個；將神經(jīng)網(wǎng)絡(luò)的權(quán)值進行隨機賦值；將步驟(2)采集到的數(shù)據(jù)隨機選取80％為訓(xùn)練集，即104組數(shù)據(jù)，剩下20％為測試集。訓(xùn)練集設(shè)為t＝{(x,y)＝(x1,y1),(x2,y2),...,(xm,yn)}；其中，xm是rbf網(wǎng)絡(luò)輸入向量，yn是輸出向量,p為訓(xùn)練集樣本個數(shù)，h<p；

所構(gòu)建的rbf網(wǎng)絡(luò)采用高斯函數(shù)實現(xiàn)從輸入層到隱含層的非線性映射，即:

其中，xp是第p個輸入樣本，p＝1,2,...p；ci是第i個基函數(shù)的中心；σi是第i個基函數(shù)的寬度；║xp-ci║是向量xp-ci的歐氏范數(shù)，表示xp與ci之間的距離。

rbf網(wǎng)絡(luò)采用下式實現(xiàn)從隱含層到輸出層的線性映射，即

其中，k為輸出層的節(jié)點數(shù)，wik表示隱含層到輸出層的連接權(quán)值。

從第0個神經(jīng)元開始訓(xùn)練網(wǎng)絡(luò)，將網(wǎng)絡(luò)的輸出誤差進行比較并自動增加神經(jīng)元個數(shù)，訓(xùn)練樣本每次循環(huán)計算之后，將網(wǎng)絡(luò)產(chǎn)生最大誤差所對應(yīng)的訓(xùn)練樣本作為權(quán)值向量，然后將該向量作為新的隱含層神經(jīng)元加入網(wǎng)絡(luò)，再次計算并檢查網(wǎng)絡(luò)誤差，不斷重復(fù)該過程直到訓(xùn)練誤差滿足要求或最大的隱含層神經(jīng)元數(shù)時為止，最終確定隱含層神經(jīng)元節(jié)點。

對該rbf神經(jīng)網(wǎng)絡(luò)訓(xùn)練時，采用k-均值聚類算法來確定隱含層徑向基函數(shù)的中心ci；基函數(shù)寬度σi通過所選中心間的最大距離來確定；根據(jù)σi確定隱含層節(jié)點的擴展常數(shù)spread；采用最小二乘法計算隱含層到輸出層對應(yīng)的連接權(quán)值wik。

將所訓(xùn)練神經(jīng)網(wǎng)絡(luò)的輸出值即預(yù)測值與試驗值進行比較，采用mse來評價rbf神經(jīng)網(wǎng)絡(luò)的訓(xùn)練精度，公式如下:

其中，n0為樣本數(shù)量，yi為試驗值，yi為rbf神經(jīng)網(wǎng)絡(luò)的預(yù)測值。

網(wǎng)絡(luò)的預(yù)測精度會隨著訓(xùn)練樣本數(shù)據(jù)的增加而提高；因此反復(fù)訓(xùn)練神經(jīng)網(wǎng)絡(luò)，當mse達到預(yù)期誤差0.001時或最大隱含層神經(jīng)元數(shù)時，終止訓(xùn)練；此時rbf神經(jīng)網(wǎng)絡(luò)的訓(xùn)練共計36步，預(yù)測值與試驗值的均方誤差為0.0009926(如圖3)，網(wǎng)絡(luò)訓(xùn)練滿足要求。

為進一步考察rbf神經(jīng)網(wǎng)絡(luò)的預(yù)測精度，將測試數(shù)據(jù)輸入到已訓(xùn)練好的模型中；此時神經(jīng)網(wǎng)絡(luò)的預(yù)測結(jié)果的mse為0.002762，訓(xùn)練和測試集中約有95％的數(shù)據(jù)點誤差在±10％以內(nèi)，其預(yù)測值與模擬值擬合程度較好(圖4所示)。

(5)測試不同工況下的β：輸入不同工況下的壁面過熱度、液體過冷度、進口流速和系統(tǒng)壓力，得到β的預(yù)測值，采用所得到的β對不同工況下的熱流密度進行數(shù)值計算，并將計算結(jié)果與試驗結(jié)果進行比較，實現(xiàn)冷卻通道過冷流動沸騰換熱質(zhì)量傳遞松弛因子的預(yù)測。

以上結(jié)果說明，所建立的rbf神經(jīng)網(wǎng)絡(luò)預(yù)測模型能夠較好的表達輸入量和輸出量之間的非線性關(guān)系。通過將預(yù)測值與試驗值對比表明：在不同工況下，熱流密度的預(yù)測值與試驗值擬合度較高，見圖5。因此，本發(fā)明建立的質(zhì)量傳遞松弛因子預(yù)測模型精度較高，對預(yù)測采用相變模型數(shù)值計算的冷卻通道過冷流動沸騰換熱過程具有一定的適用性。

綜上，本發(fā)明的一種基于徑向基(rbf)神經(jīng)網(wǎng)絡(luò)的過冷流動沸騰換熱質(zhì)量傳遞因子的預(yù)測方法，是一種將數(shù)值計算和機器學(xué)習(xí)相結(jié)合的沸騰換熱參數(shù)預(yù)測方法，包括通過cfd軟件，試湊不同工況下的質(zhì)量傳遞松弛因子；采集不同工況下的流動參數(shù)和質(zhì)量傳遞松弛因子；確定rbf神經(jīng)網(wǎng)絡(luò)的輸入和輸出變量；rbf神經(jīng)網(wǎng)絡(luò)的訓(xùn)練和測試；利用所訓(xùn)練的rbf神經(jīng)網(wǎng)絡(luò)預(yù)測不同工況下的質(zhì)量傳遞松弛因子，實現(xiàn)過冷流動沸騰換熱質(zhì)量傳遞松弛因子的預(yù)測。本發(fā)明考慮了不同流動參數(shù)(壁面過熱度、液體過冷度、進口流速、系統(tǒng)壓力)對質(zhì)量傳遞松弛因子的影響，在不同工況下，根據(jù)試驗熱流密度，試湊每個工況下最佳的質(zhì)量傳遞松弛因子，基于流動參數(shù)和質(zhì)量傳遞松弛因子建立rbf神經(jīng)網(wǎng)絡(luò)預(yù)測模型。通過在rbf神經(jīng)網(wǎng)絡(luò)預(yù)測模型中直接輸入不同工況下的流動參數(shù)，能夠快速、準確地預(yù)測冷卻通道過冷流動沸騰換熱的質(zhì)量傳遞松弛因子，其計算精度遠高于擬合的經(jīng)驗公式，為其他使用相變模型的過冷流動沸騰過程提供參考.

在本說明書的描述中，參考術(shù)語“一個實施例”、“一些實施例”、“示意性實施例”、“示例”、“具體示例”、或“一些示例”等的描述意指結(jié)合該實施例或示例描述的具體特征、結(jié)構(gòu)、材料或者特點包含于本發(fā)明的至少一個實施例或示例中。在本說明書中，對上述術(shù)語的示意性表述不一定指的是相同的實施例或示例。而且，描述的具體特征、結(jié)構(gòu)、材料或者特點可以在任何的一個或多個實施例或示例中以合適的方式結(jié)合。

盡管已經(jīng)示出和描述了本發(fā)明的實施例，本領(lǐng)域的普通技術(shù)人員可以理解：在不脫離本發(fā)明的原理和宗旨的情況下可以對這些實施例進行多種變化、修改、替換和變型，本發(fā)明的范圍由權(quán)利要求及其等同物限定。