基于RBF神经网络的沸腾换热预测方法

摘要

本发明提供了一种基于RBF神经网络的沸腾换热预测方法，具体是一种基于径向基神经网络的水平光管内混合工质流动沸腾换热预测方法，包括：数据的采集、网络输入和输出矢量的确定、数据的前处理、RBF神经网络的训练和测试、利用训练完备的神经网络进行预测，即得到预测的流动沸腾换热系数，实现水平光管内混合工质流动沸腾换热的预测。本发明避免了分析混合工质流动沸腾换热过程复杂的内部机理，减少了实验次数，通过计算机仿真试验，能够准确、快速地预测混合工质的流动沸腾换热，并且精度较传统关联式有了明显改善，对采用混合工质制冷系统中管式换热器的性能预测和结构优化设计具有很好的指导意义。

主权项

一种基于RBF神经网络的沸腾换热预测方法，其特征在于包括下列各步骤：（1）数据的采集：采集管式换热器内混合工质流动沸腾换热过程的实测数据，包括混合工质管内流动沸腾换热的影响因素，即质量流量(G)、热通量(q)、干度(x)、饱和温度(T_sat)、光管内径(D)和流动沸腾换热系数(h)；（2）网络输入、输出矢量的确定：建立RBF神经网络预测模型，RBF神经网络的输入层神经元确定为5个，输出层神经元确定为1个，即将质量流量，热通量，干度，饱和温度和光管内径这5个物理变量作为RBF神经网络的输入，流动沸腾换热系数作为RBF神经网络的输出；（3）数据的前处理：对步骤（1）采集的数据进行归一化处理到[0，1]之间，其公式如下：(1)（4）RBF神经网络的训练和测试：将步骤（3）中所得归一化后的数据以训练样本输入到RBF神经网络中，网络训练从第0个神经元开始，通过检查输出误差使网络自动增加神经元，训练样本每循环计算一次后，用使网络产生最大误差所对应的训练样本作为权值向量wl，产生一个新的隐含层神经元，然后重新计算，并检查新网络的误差，重复此过程直到达到训练期望误差或达到最大隐含层神经元数为止，得到训练后确定的RBF神经网络，其中，网络误差采用均方误差(mean square error, MSE)来表示，其计算式为：(2)式中，E_MSE表示网络误差，O(j)表示实际的输出，N为训练数据组数，Y(j)表示输出层的输出；另外，将步骤（3）中所得归一化后的数据以训练样本输入到RBF神经网络中得到的输出值为归一化的值，再对其进行反归一化处理，其公式如下：(3)式中X_max为实测数据的最大值；X_min为实测数据的最小值；X为实测数据；X ^{^}为归一化后的数据；（5）再次采集实测数据，包括质量流量(G)、热通量(q)、干度(x)、饱和温度(T_sat)、光管内径(D)；按步骤（3）中的方法将数据进行归一化处理，再输入步骤（4）所得训练后确定的RBF神经网络中，得到输出值，再将其按步骤（4）中的方法进行反归一化处理，即得到预测的流动沸腾换热系数(h)。