CN116341372A - 一种基于人工神经网络的换热器性能预测及优化方法 - Google Patents
一种基于人工神经网络的换热器性能预测及优化方法 Download PDFInfo
- Publication number
- CN116341372A CN116341372A CN202310191053.5A CN202310191053A CN116341372A CN 116341372 A CN116341372 A CN 116341372A CN 202310191053 A CN202310191053 A CN 202310191053A CN 116341372 A CN116341372 A CN 116341372A
- Authority
- CN
- China
- Prior art keywords
- heat exchanger
- performance
- neural network
- heat exchangers
- pso
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000005457 optimization Methods 0.000 title claims abstract description 38
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 31
- 238000000034 method Methods 0.000 title claims abstract description 27
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 28
- 239000002245 particle Substances 0.000 claims abstract description 19
- 238000013461 design Methods 0.000 claims abstract description 16
- 230000002068 genetic effect Effects 0.000 claims abstract description 13
- 230000001133 acceleration Effects 0.000 claims description 20
- 238000012360 testing method Methods 0.000 claims description 12
- 238000004088 simulation Methods 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000011160 research Methods 0.000 claims description 6
- 238000012546 transfer Methods 0.000 claims description 6
- 230000002596 correlated effect Effects 0.000 description 18
- DDTVVMRZNVIVQM-UHFFFAOYSA-N 2-(1-azabicyclo[2.2.2]octan-3-yloxy)-1-cyclopentyl-1-phenylethanol;hydrochloride Chemical compound Cl.C1N(CC2)CCC2C1OCC(O)(C=1C=CC=CC=1)C1CCCC1 DDTVVMRZNVIVQM-UHFFFAOYSA-N 0.000 description 5
- 230000008569 process Effects 0.000 description 4
- 230000000875 corresponding effect Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 239000007787 solid Substances 0.000 description 2
- 108010074506 Transfer Factor Proteins 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000004907 flux Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000000704 physical effect Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000005057 refrigeration Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/28—Design optimisation, verification or simulation using fluid dynamics, e.g. using Navier-Stokes equations or computational fluid dynamics [CFD]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/10—Numerical modelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/08—Fluids
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Evolutionary Computation (AREA)
- Strategic Management (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Fluid Mechanics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Mathematical Physics (AREA)
- Pure & Applied Mathematics (AREA)
- Algebra (AREA)
- Development Economics (AREA)
- Computing Systems (AREA)
- Game Theory and Decision Science (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种基于人工神经网络的换热器性能预测及优化方法，包括：构建多种换热器的性能数据库；基于所述多种换热器的性能数据库，利用粒子群算法对BP神经网络的进行优化，得到对应的PSO‑BP‑ANN预测模型；将PSO‑BP‑ANN模型与多目标遗传算法相结合对目标换热器的结构参数进行优化设计，得到优化结果，并对优化结果进行验证。本发明解决了了现有技术中对换热器优化设计结果误差大的问题。
Description
技术领域
本发明涉及换热器优化设计技术领域，特别是涉及一种基于人工神经网络的换热器性能预测及优化方法。
背景技术
紧凑式换热器因其具有结构紧凑、换热高效等优点，在核工业、电力、制冷等工业领域具有广阔的发展潜力。实现强化换热与流动减阻的兼顾是国内外研究者不断追求的目标。然而，在换热器优化设计的过程中，选取不同的性能计算关联式对所得到的优化设计结果会产生很大的误差。
发明内容
为了克服现有技术的不足，本发明的目的是提供一种基于人工神经网络的换热器性能预测及优化方法，本发明解决了现有技术中对换热器优化设计结果误差大的问题。
为实现上述目的，本发明提供了如下方案：
一种基于人工神经网络的换热器性能预测及优化方法，包括：
构建多种换热器的性能数据库；
基于所述多种换热器的性能数据库，利用粒子群算法对BP神经网络的进行优化，得到对应的PSO-BP-ANN预测模型；
将PSO-BP-ANN模型与多目标遗传算法相结合对目标换热器的结构参数进行优化设计，得到优化结果，并对优化结果进行验证。
优选地，所述多种换热器的性能数据库包括：
板翅式换热器和印刷电路板式换热器，其中，板翅式换热器包括：平直翅片换热器、波浪翅片换热器、百叶窗翅片换热器和锯齿翅片换热器。
优选地，所述构建多种换热器的性能数据库的方法包括：
利用文献调研及数据模拟构建平直翅片换热器性能数据库、波浪翅片换热器性能数据库和百叶窗翅片换热器性能数据库、锯齿翅片换热器性能数据库、印刷电路板式换热器性能数据库。
优选地，所述利用粒子群算法对BP神经网络的进行优化，得到PSO-BP-ANN预测模型包括：
选取不同的迭代次数和种群规模进行BP神经网络的训练及测试，确定目标迭代次数和种群规模；
基于所述目标迭代次数和种群规模，通过j因子和f因子确定加速度因子；
根据加速度因子、目标迭代次数和种群规模确定PSO-BP-ANN预测模型。
优选地，所述将PSO-BP-ANN模型与多目标遗传算法相结合对目标换热器的结构参数进行优化设计包括：
初始化种群参数；
设定当前种群参数；
确定换热器的目标函数，并根据所述PSO-BP-ANN模型和所述多目标遗传算法对所述目标函数进行计算优化，得到当前优化结果；
判断所述当前优化结果是否收敛，若是，则进行输出得到帕累托前沿，若否，则所述当前种群参数加1，继续进行计算。
优选地，所述目标函数包括：
换热器的最大传热性能和换热器的最小阻力性能。
根据本发明提供的具体实施例，本发明公开了以下技术效果：
本发明提供了一种基于人工神经网络的换热器性能预测及优化方法，本发明通过建立多种换热器性能预测模型，并利用粒子群算法对模型进行优化，并利用优化后的模型结合多目标遗传算法对换热器进行优化研究，提升了优化结果的准确度。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的换热器性能预测及优化方法流程图；
图2为本发明实施例提供的锯齿翅片网格示意图；
图3为本发明实施例提供的Z型通道PCHE单周期模型结构示意图；
图4为本发明实施例提供的优化过程流程图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。
本申请的说明书和权利要求书及所述附图中的术语“第一”、“第二”、“第三”和“第四”等是用于区别不同对象，而不是用于描述特定顺序。此外，术语“包括”和“具有”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤、过程、方法等没有限定于已列出的步骤，而是可选地还包括没有列出的步骤，或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤元。
本发明的目的是提供一种基于人工神经网络的换热器性能预测及优化方法，本发明解决了现有技术中对换热器优化设计结果误差大的问题。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
如图1所示，本发明提供了一种基于人工神经网络的换热器性能预测及优化方法，包括：
步骤100：构建多种换热器的性能数据库；
步骤200：基于所述多种换热器的性能数据库，利用粒子群算法对BP神经网络的进行优化，得到对应的PSO-BP-ANN预测模型；
步骤300：将PSO-BP-ANN模型与多目标遗传算法相结合对目标换热器的结构参数进行优化设计，得到优化结果，并对优化结果进行验证。
进一步的，所述多种换热器的性能数据库包括：
板翅式换热器和印刷电路板式换热器，其中，板翅式换热器包括：平直翅片换热器、波浪翅片换热器、百叶窗翅片换热器和锯齿翅片换热器。
进一步的，所述构建多种换热器的性能数据库的方法包括：
利用文献调研及数据模拟构建平直翅片换热器性能数据库、波浪翅片换热器性能数据库和百叶窗翅片换热器性能数据库、锯齿翅片换热器性能数据库、印刷电路板式换热器性能数据库。
建立数据库中传热和阻力性能对不同翅片结构参数的相关性分析：
平直翅片换热器
主要几何参数为翅片间距Fp、高度Fh、厚度t和通道长度Ld，其中Fp和Fh对j因子呈正相关，t和Ld对j因子呈负相关；Fp、Fh和t对f因子呈正相关，Ld对f因子呈负相关；t和Ld对FTEF呈正相关，Fp和Fh对FTEF呈负相关。
波浪翅片换热器
主要几何参数为翅片间距Fp、高度Fh、通道长度Ld、厚度t、两倍的振幅2A和波长L其中，Fh和2A对j因子呈正相关，Fp和L对j因子呈负相关；Fp、Fh和2A对f因子呈正相关，L对f因子呈负相关；Fh和2A对FTEF呈正相关，Fp和L对FTEF呈负相关。
百叶窗翅片换热器
主要几何参数为翅片间距Fp、高度Fh、长度Ld、厚度t、倾角La和间距Lp，其中，Lp和La对j因子呈正相关，Fp和t对j因子呈负相关；Lp和La对f因子呈正相关，Fp和t对f因子呈负相关；Lp和La对FTEF呈正相关，Fp和t对FTEF呈负相关。
具体的，通过数值模拟补充国产锯齿翅片通道以及Z型通道PCHE性能数据：
采用ANSYS Fluent 17.0对锯齿翅片通道以及Z型通道PCHE的流动和传热特性进行分析。国产锯齿翅片通道结构及网格示意图如图2所示，Z型通道PCHE研究取最小周期模型，结构如图3所示。上述计算模型由ICEM软件生成结构化网格，对壁面划分边界层网格并进行局部加密。连续性方程、动量方程和能量方程如下式所示：
连续性方程为：
动量方程为：
能量方程为：
能量方程(固体域)：
对固体域材料和工质均采用变物性处理。其中，u是流速，ui和uk是流速在xz方向上的分量，P是压力，运动黏度μ，ρ为密度，T为温度，cp为定压比热容，λ为导热系数，xi/xk为对应方向矢量。模型求解采用压力-速度耦合采用SIMPLE算法，能量和动量方程采用二阶迎风格式，当计算残差小于10-6时，认为解已收敛。设置入口速度、温度，出口压力，上下隔板的温度或热流密度，通道左右两侧为周期性边界。
为验证锯齿翅片通道数值模拟的正确性，将数值模拟的计算值与文献中的实验值进行对比，j因子和f因子的数值模拟的计算值与实验值吻合较好，平均绝对百分比误差分别为8.07％和9.28％。因此，认为数值模拟的结果是可靠的。
将Z型通道PCHE数值模拟结果与文献中的实验值进行对比，努塞尔数和阻力因子的的数值结果与实验值的最大误差分别为6.7％和9.3％，因此，可认为数值模拟的结果是可靠的。
进一步的，所述利用粒子群算法对BP神经网络的进行优化，得到PSO-BP-ANN预测模型包括：
选取不同的迭代次数和种群规模进行BP神经网络的训练及测试，确定目标迭代次数和种群规模；
基于所述目标迭代次数和种群规模，通过j因子和f因子确定加速度因子；
根据加速度因子、目标迭代次数和种群规模确定PSO-BP-ANN预测模型。
具体的，确定粒子群算法的最优参数配置：
平直翅片换热器
平直翅片通道PSO-BP-ANN模型的输入层为5个无量纲参数，输入参数分别为input1(Fp/De)、input2(Fh/De)、input3(t/De)、input4(Ld/De)和input5(Re)，输出参数为j因子或f因子，其BP神经网络结构分别为5-10-1、5-4-1。因此，粒子群的维数D分别为71(5×10+10+10×1+1)和29(5×4+4+4×1+1)。初步设置粒子群算法的参数为：最大进化迭代次数为200，种群规模为100，加速度因子均为1.5，惯性权重为1。
首先确定最大迭代次数，取50、100、150、200和250不同的迭代次数进行模型的训练及测试。然后确定种群规模，取30、50、70、100和150不同的种群规模进行模型的训练及测试，最后根据选取的迭代次数和种群规模来通过j因子和f因子选择最优的加速度因子。
平直翅片式换热器当最大迭代次数均为150、种群规模分别为150和100、加速度因子均为1.5时，j因子和f因子的PSO-BP-ANN模型预测测试集的性能最优。
波浪翅片换热器
波浪翅片通道PSO-BP-ANN模型输入层为5个无量纲参数，输入参数分别为input1(Fp/Fh)、input2(Fp/t)、input3(Ld/L)、input4(Fd/2A)和input5(Re)，输出参数为j因子或f因子。j因子和f因子的BP神经网络结构分别为5-7-1、5-8-1，因此，粒子群的维数D分别为50(5×7+7+7×1+1)和57(5×8+8+8×1+1)。初步设置粒子群算法的参数为：最大进化迭代次数为200，种群规模为100，惯性权重为1，加速度因子均为1.5。
首先确定最大迭代次数，取50、100、150、200和250不同的迭代次数进行模型的训练及测试。然后确定种群规模，取30、50、70、100和150不同的种群规模进行模型的训练及测试，最后根据选取的迭代次数和种群规模来通过j因子和f因子选择最优的加速度因子。
波浪翅片式换热器当最大迭代次数分别为150和250、种群规模均为100、加速度因子均为2.5和0.5的组合时，j因子和f因子的PSO-BP-ANN模型对测试集的预测性能最优。
百叶窗翅片换热器
百叶窗翅片通道PSO-BP-ANN模型的输入层为6个无量纲参数，输入参数分别为input1(Fp/Lp)、input2(Fh/Lp)、input3(Ld/Lp)、input4(t/Lp)、input5(La/90)和input6(Re)，输出参数为j因子或f因子。j因子和f因子的BP神经网络结构分别为6-9-1、6-13-1，因此，粒子群的维数D分别为73(6×9+9+9×1+1)和105(6×13+13+13×1+1)。初步设置粒子群算法的参数为：最大进化迭代次数为200，种群规模为100，惯性权重为1，加速度因子均为1.5。
首先确定最大迭代次数，取50、100、150、200和250不同的迭代次数进行模型的训练及测试。然后确定种群规模，取30、50、70、100和150不同的种群规模进行模型的训练及测试，最后根据选取的迭代次数和种群规模来通过j因子和f因子选择最优的加速度因子。
百叶窗翅片式换热器当最大迭代次数分别为100和150、种群规模分别为50和100、加速度因子分别为2、1和0.5、2.5时，PSO-BP-ANN模型的预测性能最优。
锯齿翅片换热器
锯齿翅片通道PSO-BP-ANN模型的输入层为4个无量纲参数，输入参数分别为input1(Fp/Fh)、input2(t/Lf)、input3(t/Fp)和input4(Re)，输出参数为j因子或f因子。j因子和f因子的BP神经网络结构分别为4-11-1、4-10-1，因此，粒子群的维数D分别为67(4×11+11+11×1+1)和61(4×10+10+10×1+1)。初步设置粒子群算法的参数为：最大进化迭代次数为200，种群规模为100，惯性权重为1，加速度因子均为1.5。
首先确定最大迭代次数，取50、100、150、200和250不同的迭代次数进行模型的训练及测试。然后确定种群规模，取30、50、70、100和150不同的种群规模进行模型的训练及测试，最后根据选取的迭代次数和种群规模来通过j因子和f因子选择最优的加速度因子。
锯齿翅片式换热器当最大迭代次数分别为150和50，种群规模分别为30和100，加速度因子均为1.5、1.5的组合时，j因子和f因子的PSO-BP-ANN模型预测测试集的性能最优。
Z型通道印刷电路板式换热器
Z型通道印刷电路板式换热器PSO-BP-ANN模型的输入层为4个参数，输入参数分别为input1(D)、input2(Ф)、input3(P)和input4(Re)，输出参数为Nu或f因子。因此，粒子群的维数D分别为49(4×8+8+8×1+1)和31(4×5+5+5×1+1)。初步设置粒子群算法的参数为：最大进化迭代次数为200，种群规模为100，惯性权重为1，加速度因子均为1.5。
首先确定最大迭代次数，取50、100、150、200和250不同的迭代次数进行模型的训练及测试。然后确定种群规模，取30、50、70、100和150不同的种群规模进行模型的训练及测试，最后根据选取的迭代次数和种群规模来通过j因子和f因子选择最优的加速度因子。
Z型通道印刷电路板式换热器当最大迭代次数分别为100和200、种群规模均为100、加速度因子均为1.5、1.5时，Nu和f因子的PSO-BP-ANN模型预测测试集的性能最优。
进一步的，所述将PSO-BP-ANN模型与多目标遗传算法相结合对目标换热器的结构参数进行优化设计包括：
初始化种群参数；
设定当前种群参数；
确定换热器的目标函数，并根据所述PSO-BP-ANN模型和所述多目标遗传算法对所述目标函数进行计算优化，得到当前优化结果；
判断所述当前优化结果是否收敛，若是，则进行输出得到帕累托前沿，若否，则所述当前种群参数加1，继续进行计算。
具体的，以板翅式换热器锯齿翅片通道和Z型通道印刷电路板式换热器为研究对象，将最优的PSO-BP-ANN模型与多目标遗传算法相结合对结构参数进行优化设计：
锯齿翅片通道的优化研究
锯齿翅片通道多目标优化问题的约束可用下式表示。
Minimize goals:-j＝-netj(α,γ,δ,Re)＝-netj(Fp/Fh,t/Fp,t/Lf,Re)
f＝netf(α,γ,δ,Re)＝netf(Fp/Fh,t/Fp,t/Lf,Re)
Subjected to:2.7≤Fh≤9.3；1.2≤Fp≤3.2；0.1≤Fp≤0.5；3≤Lf≤9
其中，j为传热因子，f为阻力因子，Lf为翅片长度、Fp为间距、Fh为高度，t为厚度，net为神经网络模型。将换热器的最大传热性能和最小阻力性能作为两个目标函数，将得到的板翅式换热器锯齿翅片通道最优的PSO-BP-ANN预测模型与NSGA-II相结合来对结构参数进行优化设计并得到Pareto优化解集，下表列出了NSGA-II的运行参数。优化流程见图4。NSGA-II的运行参数如表1所示。
表1NSGA-II的运行参数
Z型通道印刷电路板式换热器的优化研究
Z型通道印刷电路板式换热器多目标优化问题的约束可用下式表示。
Minimize goals:-Nu＝-netNu(D,φ,P,Re)
f＝netf(D,φ,P,Re)
Subjected to:5°≤φ≤45°；1.25≤D≤2.25；10≤P≤30
其中，f为阻力因子，Ф为通道角度、P为节距、D入口直径，Re为雷诺数，Nu为努塞尔数。将得到的Z型通道印刷电路板式换热器最优的PSO-BP-ANN预测模型与NSGA-II相结合来对结构参数进行优化设计并得到Pareto优化解集，表2列出了NSGA-II的运行参数。
表2NSGA-II的运行参数
将优化结果与CFD计算结果对比分析验证准确性。
具体的，所述目标函数包括：
换热器的最大传热性能和换热器的最小阻力性能。
本发明的有益效果如下：
本发明采用粒子群算法对BP神经网络初始的权值和阈值进行优化。另外，PSO-BP-ANN模型与关联式对独立实验数据预测性能的对比结果证明了，无论从涵盖范围还是预测的准确度，PSO-BP-ANN预测模型均优于关联式。本发明将最优的PSO-BP-ANN模型与多目标遗传算法相结合，对板翅式换热器锯齿翅片通道和Z型通道印刷电路板式换热器的结构参数进行优化设计。通过CFD计算对优化结果的准确性进行了验证，结果证明了数值模拟、人工神经网络和多目标遗传算法相结合的方法可准确地优化设计换热器。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。
Claims (6)
1.一种基于人工神经网络的换热器性能预测及优化方法，其特征在于，包括：
构建多种换热器的性能数据库；
基于所述多种换热器的性能数据库，利用粒子群算法对BP神经网络的进行优化，得到对应的PSO-BP-ANN预测模型；
将PSO-BP-ANN模型与多目标遗传算法相结合对目标换热器的结构参数进行优化设计，得到优化结果，并对优化结果进行验证。
2.根据权利要求1所述的一种基于人工神经网络的换热器性能预测及优化方法，其特征在于，所述多种换热器的性能数据库包括：
板翅式换热器和印刷电路板式换热器，其中，板翅式换热器包括：平直翅片换热器、波浪翅片换热器、百叶窗翅片换热器和锯齿翅片换热器。
3.根据权利要求2所述的一种基于人工神经网络的换热器性能预测及优化方法，其特征在于，所述构建多种换热器的性能数据库的方法包括：
利用文献调研及数据模拟构建平直翅片换热器性能数据库、波浪翅片换热器性能数据库和百叶窗翅片换热器性能数据库、锯齿翅片换热器性能数据库、印刷电路板式换热器性能数据库。
4.根据权利要求1所述的一种基于人工神经网络的换热器性能预测及优化方法，其特征在于，所述利用粒子群算法对BP神经网络的进行优化，得到PSO-BP-ANN预测模型包括：
选取不同的迭代次数和种群规模进行BP神经网络的训练及测试，确定目标迭代次数和种群规模；
基于所述目标迭代次数和种群规模，通过j因子和f因子确定加速度因子；
根据加速度因子、目标迭代次数和种群规模确定PSO-BP-ANN预测模型。
5.根据权利要求1所述的一种基于人工神经网络的换热器性能预测及优化方法，其特征在于，所述将PSO-BP-ANN模型与多目标遗传算法相结合对目标换热器的结构参数进行优化设计包括：
初始化种群参数；
设定当前种群参数；
确定换热器的目标函数，并根据所述PSO-BP-ANN模型和所述多目标遗传算法对所述目标函数进行计算优化，得到当前优化结果；
判断所述当前优化结果是否收敛，若是，则进行输出得到帕累托前沿，若否，则所述当前种群参数加1，继续进行计算。
6.根据权利要求5所述的一种基于人工神经网络的换热器性能预测及优化方法，其特征在于，所述目标函数包括：
换热器的最大传热性能和换热器的最小阻力性能。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310191053.5A CN116341372B (zh) | 2023-03-02 | 2023-03-02 | 一种基于人工神经网络的换热器性能预测及优化方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310191053.5A CN116341372B (zh) | 2023-03-02 | 2023-03-02 | 一种基于人工神经网络的换热器性能预测及优化方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116341372A true CN116341372A (zh) | 2023-06-27 |
| CN116341372B CN116341372B (zh) | 2024-01-23 |
Family
ID=86884961
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310191053.5A Active CN116341372B (zh) | 2023-03-02 | 2023-03-02 | 一种基于人工神经网络的换热器性能预测及优化方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116341372B (zh) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104457345A (zh) * | 2013-09-17 | 2015-03-25 | 中国石油化工股份有限公司 | 一种用于冷凝式烟气余热回收的翅片板换热装置 |
| CN107885891A (zh) * | 2016-09-29 | 2018-04-06 | 中国航发商用航空发动机有限责任公司 | 一种航空发动机总体性能优化方法 |
| CN113505519A (zh) * | 2021-04-13 | 2021-10-15 | 北京工业大学 | 基于pso-bp神经网络和nsga-ii的激光切割加工建模及参数优化选择方法 |
| CN113657034A (zh) * | 2021-08-16 | 2021-11-16 | 郑州轻工业大学 | 基于改进粒子群优化神经网络算法的变压器油温预测方法 |
| CN113868966A (zh) * | 2021-12-02 | 2021-12-31 | 浙江大学 | 一种生物质锅炉省煤器结构参数优化设计方法 |
| CN113886980A (zh) * | 2021-09-16 | 2022-01-04 | 武汉科技大学 | 一种基于bp神经网络的自激振荡换热管协同优化方法 |
| WO2022105294A1 (zh) * | 2020-11-20 | 2022-05-27 | 东北大学 | 一种热轧卷取温度的区间预测方法 |
| CN114741961A (zh) * | 2022-03-30 | 2022-07-12 | 华中科技大学 | 印刷电路板式换热器的翼型翅片排列结构优化方法和*** |
-
2023
- 2023-03-02 CN CN202310191053.5A patent/CN116341372B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104457345A (zh) * | 2013-09-17 | 2015-03-25 | 中国石油化工股份有限公司 | 一种用于冷凝式烟气余热回收的翅片板换热装置 |
| CN107885891A (zh) * | 2016-09-29 | 2018-04-06 | 中国航发商用航空发动机有限责任公司 | 一种航空发动机总体性能优化方法 |
| WO2022105294A1 (zh) * | 2020-11-20 | 2022-05-27 | 东北大学 | 一种热轧卷取温度的区间预测方法 |
| CN113505519A (zh) * | 2021-04-13 | 2021-10-15 | 北京工业大学 | 基于pso-bp神经网络和nsga-ii的激光切割加工建模及参数优化选择方法 |
| CN113657034A (zh) * | 2021-08-16 | 2021-11-16 | 郑州轻工业大学 | 基于改进粒子群优化神经网络算法的变压器油温预测方法 |
| CN113886980A (zh) * | 2021-09-16 | 2022-01-04 | 武汉科技大学 | 一种基于bp神经网络的自激振荡换热管协同优化方法 |
| CN113868966A (zh) * | 2021-12-02 | 2021-12-31 | 浙江大学 | 一种生物质锅炉省煤器结构参数优化设计方法 |
| CN114741961A (zh) * | 2022-03-30 | 2022-07-12 | 华中科技大学 | 印刷电路板式换热器的翼型翅片排列结构优化方法和*** |
Non-Patent Citations (3)
| Title |
|---|
| GAO J, ZHANG X, LIU J: "Thermal performance and ground temperature of vertical pilefoundation heat exchangers: A case study", APPLIED THERMAL ENGINEERING, pages 2295 - 2304 * |
| 徐明海，刘文波，张知宇: "桩基螺旋管换热器数值模拟研究", 建筑热能通风空调, vol. 36, no. 7, pages 10 - 13 * |
| 马廷洪;姜磊: "基于混合粒子群算法优化BP神经网络的机床热误差建模", 中国工程机械学报, no. 3, pages 37 - 40 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116341372B (zh) | 2024-01-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Ke et al. | Thermal-hydraulic performance and optimization of attack angle of delta winglets in plain and wavy finned-tube heat exchangers | |
| Afzal et al. | Multi-objective optimization of thermal performance in battery system using genetic and particle swarm algorithm combined with fuzzy logics | |
| Zhao et al. | Parallel support vector machines applied to the prediction of multiple buildings energy consumption | |
| Yadav et al. | Artificially roughened solar air heater: A comparative study | |
| Wang et al. | Intelligent optimization design of shell and helically coiled tube heat exchanger based on genetic algorithm | |
| Li et al. | Multi-parameter optimization of serrated fins in plate-fin heat exchanger based on fluid-structure interaction | |
| Dilay et al. | A volume element model (VEM) for energy systems engineering | |
| Dezan et al. | Heat transfer enhancement and optimization of flat-tube multilouvered fin compact heat exchangers with delta-winglet vortex generators | |
| CN114741961A (zh) | 印刷电路板式换热器的翼型翅片排列结构优化方法和*** | |
| Farahani et al. | Optimization-decision making of roughened solar air heaters with impingement jets based on 3E analysis | |
| Reynoso-Jardón et al. | Artificial neural networks (ANN) to predict overall heat transfer coefficient and pressure drop on a simulated heat exchanger | |
| Xi et al. | Cooling performance analysis and structural parameter optimization of X-type truss array channel based on neural networks and genetic algorithm | |
| Sun et al. | An intelligent plate fin-and-tube heat exchanger design system through integration of CFD, NSGA-II, ANN and TOPSIS | |
| Sahiti et al. | Selection and optimization of pin cross-sections for electronics cooling | |
| CN116341372B (zh) | 一种基于人工神经网络的换热器性能预测及优化方法 | |
| CN116776773B (zh) | 一种平直翅片管式换热器管型优化***及方法 | |
| CN110750861B (zh) | 一种相变储热单元的结构优化方法 | |
| Shi et al. | Shape optimization of corrugated tube using B-spline curve for convective heat transfer enhancement based on machine learning | |
| Kamsuwan et al. | Enhancing performance of polymer-based microchannel heat exchanger with nanofluid: A computational fluid dynamics-artificial neural network approach | |
| Bi et al. | Signal-to-noise research on comprehensive performance of plate heat exchanger for commercial electric vehicle | |
| Jia et al. | Optimal design of compact heat exchangers by an artificial neural network method | |
| Brinkworth et al. | A validated procedure for determining the buoyancy-induced flow in ducts | |
| Fiala et al. | Practical approach to multi-objective optimization in ANSYS softwares | |
| Rodriguez-Cabal et al. | Pre-Proof File Optimizing the Overall Heat Transfer Coefficient of a Spiral Plate Heat Exchanger Using GAMS | |
| Bourisli et al. | General correlation of building energy use via hybrid genetic programming/genetic algorithm |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| CB03 | Change of inventor or designer information | ||
| CB03 | Change of inventor or designer information |
Inventor after: Duan Xinyue Inventor after: Hao Shaowen Inventor after: Sun Zhaoliang Inventor after: Zhu Chuanyong Inventor after: Huang Binghuan Inventor after: Lv Yuling Inventor after: Gong Liang Inventor after: Xu Minghai Inventor before: Duan Xinyue Inventor before: Sun Zhaoliang Inventor before: Hao Shaowen Inventor before: Zhu Chuanyong Inventor before: Huang Binghuan Inventor before: Lv Yuling Inventor before: Gong Liang Inventor before: Xu Minghai |
|
| GR01 | Patent grant | ||
| GR01 | Patent grant |