[发明专利]基于机器学习的超临界流体传热关联式代理模型构建方法

说明书

本发明公开了一种基于机器学习的超临界流体传热关联式代理模型构建方法，以期解决超临界流体非线性物性变化导致传统或发展的传热经验关联式预测难、精度差的问题。首先广泛收集实验数据，评估选取潜在影响传热等级的热边界、几何及物性无量纲参数因子。然后基于奇异值分解技术，将其数据降阶处理，并实现样本主要流动换热特征识别和提取。再建立超临界传热模型的数学表达式及非线性RBF‑MLP神经网络结构，并训练、验证优化选取输入层、隐藏层、输出层神经元个数。最后预测结果表明传热关联式代理模型具有预测精度高，网络误差较小的特点。本发明方案简单可靠，能够快速达到壁面温度和传热系数精确预测及降低试验成本的目的。

技术领域

本发明属于热能技术领域，具体涉及一种流体传热关联式代理模型构建方法。

背景技术

超临界流体在核能、化工、动力、制冷、食品、热泵、航空航天及其他领域具有广泛应用前景。超临界状态下的流体主要表征为在不同的压力和温度变化工况下而发生剧烈的变化，尤其在临界点附近最为明显，这也是超临界流体有区别于传统常规流体会发生显著的流动换热特征的根本原因。特别地，临界点附近温差处于1K时，会使比热容发生上百倍的变化，而密度、动力粘度、导热系数和热扩散系数数值也会经历剧烈变化。临界区域附近流体热扩散系数达到最小值，局部热量堆积，必引起极端的传热恶化工况，造成管路烧蚀现象，极大地危害了系统安全运行的可靠性，也给系统换热设计带来巨大挑战。对于任何超临界工质设备而言，必须有效的避免传热恶化行为的发生，更重要的是传热工况要被提前预测。

近年来，许多国内外学者开展并尝试建立超临界流体流动传热的数学表达模型。但由于超临界流体存在物性剧烈变化的本质特征，使得现存的所有超临界传热数学模型都被限制于固定流体工质、运行压力、温度、质量流量及热流密度参数范围内。目前依然没发现一种普遍适用于超临界工况下的传动传热表达模型，特别是适用于临界区附近表征强化传热、传热恶化行为的模型。而现有的传热预测模型修正都是建立在原有传统传热关联式之上，这是临界区域存在较大误差的主要原因。因此，基于目前超临界流体传热关联式模型研究存在问题，急需在数学模型表达公式结构和方法上有待突破。

发明内容

为了克服现有技术的不足，本发明提供了一种基于机器学习的超临界流体传热关联式代理模型构建方法，以期解决超临界流体非线性物性变化导致传统或发展的传热经验关联式预测难、精度差的问题。首先广泛收集实验数据，评估选取潜在影响传热等级的热边界、几何及物性无量纲参数因子。然后基于奇异值分解技术，将其数据降阶处理，并实现样本主要流动换热特征识别和提取。再建立超临界传热模型的数学表达式及非线性RBF-MLP神经网络结构，并训练、验证优化选取输入层、隐藏层、输出层神经元个数。最后预测结果表明传热关联式代理模型具有预测精度高，网络误差较小的特点。本发明方案简单可靠，能够快速达到壁面温度和传热系数精确预测及降低试验成本的目的。

本发明解决其技术问题所采用的技术方案包括如下步骤：

步骤1：采集超临界流体实验数据，基于传热学和流体力学基础理论，建立包含超临界流体各水平表征影响因子的数据库，所述超临界流体各水平表征影响因子包括超临界流体边界条件参数、几何构型参数及无量纲物性因子；在数据库中给出每个水平表征影响因子的运行具体范围；

步骤2：参数化评估超临界流体各水平表征影响因子的相关性，筛选出显著影响因子项，并按照相关性次序等级进行排列，转化为矩阵向量；

步骤3：基于奇异值分解SVD技术，对步骤2得到的矩阵向量进行流动换热特征识别和提取，并将矩阵向量降阶；

步骤4：构建RBF-MLP混合神经网络作为超临界流体传热关联式代理模型；

步骤5：对超临界流体传热关联式代理模型进行训练并验证；

步骤6：基于超临界流体传热关联式代理模型，求得超临界流体流动换热过程中的高精度壁面温度及传热系数；