管内过冷沸腾流动阻力特性的预测方法

阅读：评论：0

1.本发明属于多相流动与换热技术领域，具体涉及一种管内过冷沸腾流动阻力特性的预测方法。

背景技术：

2.过冷沸腾被广泛应用诸如芯片冷却、国际热核聚变实验堆(iter)等高热流换热领域(review on high heat flux flow boiling of refrigerants and water for electronics cooling,int.j.heat mass transf.180(2021)121787)。其中，过冷沸腾流动阻力是该领域的关键研究内容之一，流体流动阻力特性对换热系统的安全性、稳定性和经济性都至关重要。因此，如何准确预测过冷沸腾的阻力特性是该领域的关键。
3.目前，针对过冷沸腾流动阻力特性的预测方法仍主要依靠传统的经验关联式方法(prediction of subcooled flow boiling pressure drops in small circular tubes[j].international journal of heat and mass transfer,2017,115:1074-1090)。目前，常见的经验关联式包括：owens
–
schrock关联式(local pressure gradients for subcooled boiling of water in vertical tubes[j].asme paper,1960,60)、tarasova关联式(pressure drop of boiling subcooled water and steam-water mixture flowing in heated channels[c]:begel house inc.,1966)、hahne关联式(a new pressure drop correlation for subcooled flow boiling of refrigerants[j].international journal of heat and mass transfer,1993,36(17):4267-4274)、tong关联式(pressure drop with highly subcooled flow boiling in small-diameter tubes[j].experimental thermal and fluid science,1997,15(3):202-212)、yan关联式(pressure drop for highly subcooled water flow boiling under high heat and mass fluxes[j].applied thermal engineering,2017,124:1061-1074)和sharifi关联式(on the prediction of pressure drop in subcooled flow boiling of water[j].applied thermal engineering,2019,155:386-396)。
[0004]
过冷沸腾影响因素众多，过冷沸腾汽泡的初生、发展、冷凝消失等演化过程受到运行工况参数等诸多因素的显著影响，尤其在高温高压条件下，过冷沸腾汽泡演化规律更加复杂(experimental study of subcooled flow boiling heat transfer of water in a circular channel under one-side heating conditions,int.j.heat mass transf.119(2018)484-495.)，这导致传统经验关联式的预测误差普遍较大，且适用范围有限。因此，亟待探索精度更高、适用范围更广的预测方法。

技术实现要素：

[0005]
本发明的目的是提供一种管内过冷沸腾流动阻力特性的预测方法，该方法能够准确预测管内过冷沸腾的阻力特性。
[0006]
本发明所采用的技术方案是，管内过冷沸腾流动阻力特性的预测方法，具体按照
以下步骤实施：
[0007]
步骤1：开展过冷流动沸腾实验测试，获取流动换热实验的基础数据；
[0008]
步骤2：利用步骤1的基础数据，计算出雷诺数re，沸腾数bo、基于进口参数的雅各布数ja；
[0009]
步骤3：确定预测模型的输入参数和输出参数，并得到输入参数和输出参数的对应关系；
[0010]
步骤4：对步骤3的输入参数和输出参数进行归一化处理；
[0011]
步骤5：利用步骤4归一化处理后的输入参数与输出参数以及leakyrelu函数，搭建极限学习机模型；
[0012]
步骤6：利用遗传算法(ga)对步骤5搭建的极限学习机(elm)模型的初始权值和阈值进行寻优，得到更新的预测模型；
[0013]
步骤7：将全部过冷沸腾实验数据按一定比例随机分为训练集和预测集两部分，训练集数据用于训练预测模型，预测集数据用于验证预测模型的精度；调整步骤6的预测模型中隐含层神经元数量，重复进行上述步骤；
[0014]
步骤8：比较步骤7中隐含层神经元数量对预测精度影响，选取具有最大回归决定系数r2、最小平均绝对误差mae和均方根误差rmse的神经元数量的预测模型，并将其作为最终的预测模型。
[0015]
本发明的特征还在于，
[0016]
步骤1中，获取实验管道的基础数据为：管道直径d
in
、管道长度l、热流密度q、流速u、质量流速g，压力p、阻力δp与相同条件下的全液相绝热流动阻力δp
ad
、进口流体温度t
b,in
、平均流体温度tb、平均内壁面温度t
w,in
、过冷度δt
sub
、流体密度ρ、流体焓值hb、饱和液焓值h
l,sat
、汽化潜热h
fg
、定压比热容c
p
、动力粘度μb及液-汽密度比ρ
l
/ρg。
[0017]
步骤2中，雷诺数re，沸腾数bo及基于进口参数的雅各布数ja的表达式如下：
[0018][0019][0020][0021]
步骤3的具体按照以下步骤实施：选取过冷沸腾流动阻力δp作为预测模型输出参数，选取沸腾数bo、基于进口参数的雅各布数ja、液-汽密度比ρ
l
/ρg及雷诺数re 4个无量纲参数作为预测模型的输入参数，利用输入参数对输出参数进行预测，输出参数和输入参数的对应关系如下式所示：
[0022][0023]
步骤4中使用的归一化处理公式如下：
[0024][0025]
式中，z和z*分别代表未处理的参数以及归一化处理后的参数；z
min
和z
max
分别代表
未处理的参数的最大值和最小值。
[0026]
步骤5中，极限学习机模型结构为全连接的单隐含层神经网络结构，由输入层、输出层和隐含层三部分组成；其中，选用leakyrelu函数作为输入层到隐含层的激活函数：
[0027][0028]
其中，σ(x)和x分别表示激活函数和步骤4中归一化处理后的输入参数；a表示超参数。
[0029]
步骤6的具体按照以下步骤实施：通过步骤5确定极限学习机模型的拓扑结构，并初始化权值和阈值；利用ga算法，对初始值进行编码；选取训练误差作为适应度函数，ga算法将通过选择、交叉和变异操作，计算适应度值，迭代获取最优的初始权值和阈值；最后，将ga算法寻优获得的权值和阈值代入elm模型进行求解，输出预测结果，得到新的预测模型。
[0030]
步骤7的具体按照以下步骤实施：将全部过冷沸腾实验数据按照8：2的比例随机分为训练集和预测集两部分，将训练集数据输入步骤6搭建的预测模型进行学习训练，获取最新的预测模型，随后将测试集数据带入最新的预测模型，获得测试集数据的回归决定系数r2以及全部数据的平均绝对误差mae和均方根误差rmse。调整步骤6的预测模型中隐含层神经元数量，重新进行上述步骤，并获得测试集数据的回归决定系数r2以及全部数据的平均绝对误差mae和均方根误差rmse。
[0031]
本发明的有益效果是：
[0032]
(1)本发明管内过冷沸腾流动阻力特性的预测方法，该方法能够高精度地预测过冷沸腾的阻力特性，具有预测精度高、覆盖范围广、通用性强等优点。预测精度高于前人所提出的owens
–
schrock关联式、tarasova et al关联式、hahne et al关联式、tong et al关联式、yan et al关联式和sharifi et al关联式。
[0033]
(2)本发明提管内过冷沸腾流动阻力特性的预测方法，依据过冷沸腾的阻力特性，计算获得液-汽密度比(ρ
l
/ρg)、雷诺数re，沸腾数bo、基于进口参数的雅各布数ja这些能表征过冷沸腾阻力特性的无量纲参数，并利用这些参数搭建极限学习机(elm)模型，对过冷沸腾流动阻力δp进行预测。因此，本发明提供的预测方法有效将现代智能算法中的极限学习机模型应用于管内过冷沸腾流动阻力特性的预测研究，为过冷沸腾流动阻力特性的预测提供了一种新的思路和手段。
[0034]
(3)本发明管内过冷沸腾流动阻力特性的预测方法，考虑到复杂工况的管内过冷沸腾数据难以获取，依据过冷沸腾的阻力特性(多维、复杂、非线性)，对传统极限学习机模型的模型结构进行了优化和改进，选用leakyrelu函数作为输入层到隐含层的激活函数，并利用遗传算法对传统极限学习机模型的初始权值和阈值进行选取，将现代人工智能算法中的极限学习机模型运用于过冷沸腾流动阻力特性的预测研究，并结合过冷沸腾流动阻力特性的特有规律，对传统极限学习机模型进行全方位优化，为现代智能算法在流体流动换热技术领域的应用提供了借鉴和方法。
附图说明
[0035]
图1是本发明管内过冷沸腾流动阻力特性的预测方法的结构示意图；
[0036]
图2是本发明管内过冷沸腾流动阻力特性的预测方法的程序流程图；
[0037]
图3是实施例中owens
–
schrock关联式的实验值与预测值的对比图；
[0038]
图4是实施例中tarasova et al关联式的实验值与预测值的对比图；
[0039]
图5是实施例中hahne et al关联式的实验值与预测值的对比图；
[0040]
图6是实施例中tong et al关联式的实验值与预测值的对比图；
[0041]
图7是实施例中yan et al关联式的实验值与预测值的对比图；
[0042]
图8是实施例中sharifi et al关联式的实验值与预测值的对比图；
[0043]
图9是实施例中预测方法中隐含层神经元数目的预测性能对比图；
[0044]
图10是实施例中本发明预测方法的实验值与预测值的对比图。
具体实施方式
[0045]
下面结合附图和具体实施方式对本发明进行详细说明。
[0046]
本发明提供一种管内过冷沸腾流动阻力特性的预测方法，具体按照以下步骤实施：
[0047]
步骤1：开展过冷流动沸腾实验测试，获取管道直径d
in
、管道长度l、热流密度q、流速u、质量流速g，压力p、阻力δp与相同条件下的全液相绝热流动阻力δp
ad
、进口流体温度t
b,in
、平均流体温度tb、平均内壁面温度t
w,in
、过冷度δt
sub
、流体密度ρ、流体焓值hb、饱和液焓值h
l,sat
、汽化潜热h
fg
、定压比热容c
p
、动力粘度μb、液-汽密度比(ρ
l
/ρg)这些流动换热实验的基础数据；
[0048]
步骤2：利用步骤1的基础数据，计算出雷诺数re，沸腾数bo、基于进口参数的雅各布数ja：
[0049][0050][0051][0052]
步骤3：依据过冷沸腾的规律及特性，选取过冷沸腾流动阻力δp作为预测模型输出参数，选取沸腾数bo、基于进口参数的雅各布数ja、液-汽密度比ρ
l
/ρg及雷诺数re 4个无量纲参数作为预测模型的输入参数，利用输入参数对输出参数进行预测，输入参数和输出参数的对应关系如下式所示。
[0053][0054]
步骤4：为了提升预测方法的准确性及运算速度，对步骤3的公式(4)中的输入参数和输出参数进行预处理，即归一化处理：
[0055][0056]
式中，z和z*分别代表未处理的参数以及归一化处理后的参数；z
min
和z
max
分别代表未处理的参数的最大值和最小值。
et al关联式、hahne et al关联式、tong et al关联式、yan et al关联式和sharifi et al关联式的预测精度。如图3-8可知，上述经验关联式的预测精度都一般，其中，yan et al关联式的精度最高，超过95％的数据误差在
±
25％之间。
[0068][0069]
利用本发明构建的过冷沸腾流动阻力特性的预测方法，对实验数据进行预测分析，并根据步骤7，获取最佳隐含层神经元个数，如图9所示。当隐含层神经元个数大于等于80时，预测精度基本保持稳定；当隐含层神经元个数等于99时，预测方法对全部实验数据具有最小的mae和rmse，对测试集数据具有较大的r2。考虑到神经元数目越多，模型运算速度越慢且精度不再提升，因此，隐含层神经元数目确定为99。
[0070]
利用步骤7-8获得的预测模型，对该实施例的过冷沸腾流动阻力δp进行预测分析，如图10所示，所有数据的预测误差均位于
±
9％之内。并计算获得6个典型经验关联式和本发明预测方法对实施例数据的mae和rmse，借此进行定量比较。如下表可知，本发明构建的预测方法预测精度远远高于这6个典型经验关联式，该方法能够准确预测管内过冷沸腾的阻力特性。
[0071]

技术特征：

1.管内过冷沸腾流动阻力特性的预测方法，其特征在于，具体按照以下步骤实施：步骤1：开展过冷流动沸腾实验测试，获取流动换热实验的基础数据；步骤2：利用步骤1的基础数据，计算出雷诺数re，沸腾数bo、基于进口参数的雅各布数ja；步骤3：确定预测模型的输入参数和输出参数，并得到输入参数和输出参数的对应关系；步骤4：对步骤3的输入参数和输出参数进行归一化处理；步骤5：利用步骤4归一化处理后的输入参数与输出参数以及leakyrelu函数，搭建极限学习机模型；步骤6：利用遗传算法对步骤5搭建的极限学习机模型的初始权值和阈值进行寻优，得到更新的预测模型；步骤7：将全部过冷沸腾实验数据按比例随机分为训练集和预测集两部分，训练集数据用于训练预测模型，预测集数据用于验证预测模型的精度；调整步骤6的预测模型中隐含层神经元数量，重复进行上述步骤；步骤8：比较步骤7中隐含层神经元数量对预测精度影响，选取具有最大回归决定系数r2、最小平均绝对误差mae和均方根误差rmse的神经元数量的预测模型，并将其作为最终的预测模型。2.根据权利要求1所述的管内过冷沸腾流动阻力特性的预测方法，其特征在于，步骤1中，获取实验管道的基础数据为：管道直径d
in
、管道长度l,热流密度q、流速u、质量流速g，压力p、阻力δp与相同条件下的全液相绝热流动阻力δp
ad
、进口流体温度t
b,in
、平均流体温度t
b
、平均内壁面温度t
w,in
、过冷度δt
sub
、流体密度ρ、流体焓值h
b
、饱和液焓值h
l,sat
、汽化潜热h
fg
、定压比热容c
p
、动力粘度μ
b
及液-汽密度比ρ
l
/ρ
g
。3.根据权利要求2所述的管内过冷沸腾流动阻力特性的预测方法，其特征在于，步骤2中，雷诺数re，沸腾数bo及基于进口参数的雅各布数ja的表达式如下：中，雷诺数re，沸腾数bo及基于进口参数的雅各布数ja的表达式如下：中，雷诺数re，沸腾数bo及基于进口参数的雅各布数ja的表达式如下：4.根据权利要求3所述的管内过冷沸腾流动阻力特性的预测方法，其特征在于，步骤3的具体按照以下步骤实施：选取过冷沸腾流动阻力δp作为预测模型输出参数，选取沸腾数bo、基于进口参数的雅各布数ja、液-汽密度比ρ
l
/ρ
g
及雷诺数re 4个无量纲参数作为预测模型的输入参数，利用输入参数对输出参数进行预测，输出参数和输入参数的对应关系如下式所示：5.根据权利要求4所述的管内过冷沸腾流动阻力特性的预测方法，其特征在于，步骤4
中使用的归一化处理公式如下：式中，z和z*分别代表未处理的参数以及归一化处理后的参数；z
min
和z
max
分别代表未处理的参数的最大值和最小值。6.根据权利要求5所述的管内过冷沸腾流动阻力特性的预测方法，其特征在于，步骤5中，极限学习机模型结构为全连接的单隐含层神经网络结构，由输入层、输出层和隐含层三部分组成；其中，选用leakyrelu函数作为输入层到隐含层的激活函数：其中，σ(x)和x分别表示激活函数和步骤4中归一化处理后的输入参数；a表示超参数。7.根据权利要求6所述的管内过冷沸腾流动阻力特性的预测方法，其特征在于，步骤6的具体按照以下步骤实施：通过步骤5确定极限学习机模型的拓扑结构，并初始化权值和阈值；利用ga算法，对初始值进行编码；选取训练误差作为适应度函数，ga算法将通过选择、交叉和变异操作，计算适应度值，迭代获取最优的初始权值和阈值；最后，将ga算法寻优获得的权值和阈值代入elm模型进行求解，输出预测结果，得到新的预测模型。8.根据权利要求7所述的管内过冷沸腾流动阻力特性的预测方法，其特征在于，步骤7的具体按照以下步骤实施：将全部过冷沸腾实验数据按照8：2的比例随机分为训练集和预测集两部分，将训练集数据输入步骤6搭建的预测模型进行学习训练，获取最新的预测模型，随后将测试集数据带入最新的预测模型，获得测试集数据的回归决定系数r2以及全部数据的平均绝对误差mae和均方根误差rmse；调整步骤6的预测模型中隐含层神经元数量，重新进行上述步骤，并获得测试集数据的回归决定系数r2以及全部数据的平均绝对误差mae和均方根误差rmse。

技术总结

本发明公开管内过冷沸腾流动阻力特性的预测方法，具体为：获取流动换热实验的基础数据；计算出雷诺数Re，沸腾数Bo、基于进口参数的雅各布数Ja；确定预测模型的输入参数和输出参数，并得到输入参数和输出参数的对应关系；对步骤3的输入参数和输出参数进行归一化处理；利用归一化处理后的输入参数和输出参数，搭建极限学习机模型；利用遗传算法对搭建的极限学习机模型的初始权值和阈值进行寻优，得到新的预测模型；获得预测集数据的回归决定系数R2、全部数据的平均绝对误差MAE及均方根误差RMSE；选取具有最大回归决定系数R2、最小平均绝对误差MAE和均方根误差RMSE的神经元数量的预测模型作为最终的预测模型。该方法能够准确预测管内过冷沸腾的阻力特性。预测管内过冷沸腾的阻力特性。预测管内过冷沸腾的阻力特性。