一种基于神经网络的波纹通道印刷电路板换热器性能预测及结构优化方法技术

本发明专利技术公开了一种基于神经网络的波纹通道印刷电路板换热器性能预测及结构优化方法，采用批量CFD计算获取换热工质在不同流道几何参数与流动、物性参数下的局部流动换热特性数据集，通过相关性分析评估局部相关参数与预测值之间的关系并对数据进行预处理；根据数据集构建神经网络，计算获得不同工况下流道局部努塞尔数和阻力因子，计算换热器总换热量及压降；最后以最大换热量与最小压降为优化目标，采用遗传算法获得优化设计参数组合。本发明专利技术利用CFD计算中的大量网格节点数据，相对快速、准确预测出流道内局部努塞尔数及阻力因子数值大小，获得给定工况下的最优换热器结构参数，在处理热物性变化大的工质的流动换热过程时具有显著优势。具有显著优势。具有显著优势。

【技术实现步骤摘要】
一种基于神经网络的波纹通道印刷电路板换热器性能预测及结构优化方法


[0001]本专利技术涉及换热器领域，具体涉及一种基于神经网络的波纹通道印刷电路板换热器性能预测及结构优化方法。

技术介绍

[0002]印刷电路板换热器是一种典型的紧凑型换热器，其换热性能好、结构紧凑、耐高温和高压性能好，在超临界CO2换热、LNG换热、氢换热等领域具有广泛的应用前景，可在未来新型动力循环及新能源等领域获得广泛使用。目前常见的印刷电路板换热器除直通道形式外，还有一类综合性能更优的波纹流道形式，其典型结构为Z字型流道和正弦波纹流道等。波纹流道印刷电路板换热器相比于常规形式换热器，一方面，以超临界CO2为代表的相关换热工质物性变化剧烈，使其在波纹流道内的局部流动传热特性极其复杂，另一方面，周期性的结构变化使得流道壁面的换热情况、局部压降情况变化较大，这就给换热器的设计和优化带来了困难：基于常物性流体或者流体定性温度研究得出的全局流动传热规律与关联式适用效果不佳。同时，对批量模型进行数值模拟研究时计算资源消耗大、时间周期长，换热器制造周期长、材料和加工成本高。传统数值模拟与实验研究方式研究存在一定困难，流动换热关联式计算难以保证精度，不利于快速高效的设计与优化计算。
[0003]神经网络是一种高效的数学工具，它可以在不需要任何数据假设的情况下，基于相关输入参数获得计算结果，特别适用于对非线性问题的结果进行精确预测。神经网络可以与遗传优化算法结合，获得多目标优化问题的最优解集。

技术实现思路

[0004]为了解决现有技术中的问题，本专利技术提供了一种基于神经网络的波纹通道印刷电路板换热器性能预测及结构优化方法，能够在快速预测换热器流动换热特性的同时获得优化的结构设计参数。
[0005]为了实现以上目的，本专利技术的一种基于神经网络的波纹通道印刷电路板换热器性能预测及结构优化方法，包括以下步骤：
[0006]步骤1，构建波纹流道印刷电路板换热器的物理与数学模型，划分网格，与实验结果或者关联式进行对比，验证CFD计算获得的换热与压降数据的准确性；
[0007]步骤2，在给定的冷热侧进口温度和出口压力前提下，选择需要优化的波纹流道印刷电路板换热器结构参数，根据换热器流道结构、所用工质类型、运行工况范围，选取CFD计算中结构参数的取值水平和范围，以及工质流动参数、温度压力参数取值水平和范围；
[0008]步骤3，采用CFD计算获得步骤2中不同参数取值水平组合下的印刷电路板换热器局部流动换热情况，获取搭建神经网络所需的样本数据集，即神经网络的输入与输出参数对应关系，利用相关性分析判断神经网络输入参数的选择是否合理；
[0009]步骤4，对神经网络样本数据集进行预处理，分别搭建并训练以冷侧和热侧通道局
部努赛尔数Nu和阻力因子f为输出的神经网络，对训练好的神经网络预测局部Nu
*
和f
*
的准确性进行测试和验证，并调整和优化神经网络结构，可预测换热器流动换热特性随结构参数和工况条件的变化情况；
[0010]步骤5，将换热量最大化与压降最小化作为优化目标，将得到的神经网络作为约束条件，采用遗传优化算法进行多目标优化，即在给定工况条件下获得结构参数的最优解。
[0011]进一步地，所述波纹流道为周期性波纹流道，包括正弦波纹流道和Z字形波纹流道。
[0012]进一步地，所述步骤3中样本数据集来自不同几何参数和流动换热工况下的印刷电路板换热器CFD数值模拟结果，利用CFD计算中网格节点数据并处理获得。
[0013]进一步地，所述步骤3中神经网络的输入参数包括流道壁面局部位置坐标、雷诺数Re、普朗特数Pr、波纹流道特征角度θ和特征长度λ，输出参数为局部努赛尔数Nu和阻力因子f，输入参数和输出参数均经归一化处理后用于神经网络模型的训练与测试。
[0014]进一步地，所述步骤3包括：
[0015]步骤3.1，在不同几何参数以及流动换热工况下进行CFD计算，获得收敛的速度场、温度场和压力场，完成若干CFD算例；
[0016]步骤3.2，对CFD计算结果进行后处理，对流道进行分段并沿各段流道壁面提取网格节点坐标及其对应的局部热流密度，计算获得各段对应的Nu
*
数，同时统计各段进出口压差并计算获得阻力因子f变化情况，取各段沿主流方向的中间位置坐标，建立流道壁面局部位置坐标、雷诺数Re、普朗特数Pr、波纹流道特征角度θ和特征长度λ与局部努赛尔数Nu、阻力因子f的对应关系；
[0017]步骤3.3，对不同结构参数及质量流量的换热器模型进行CFD数值模拟求解，重复步骤3.2得到系列数据，对系列数据进行归一化处理；
[0018]步骤3.4，基于步骤3.3获得的系列数据，采用相关性分析方法，判断神经网络输入参数间的相关性，若任意两个输入参数的相关系数绝对值高于0.7，则重新选取输入参数组合。
[0019]进一步地，所述步骤4中预处理包括数据粗化和随机化处理，调整和优化神经网络结构获得较优的隐藏层数和各隐藏层节点数。
[0020]进一步地，所述步骤4包括：
[0021]步骤4.1：若流道分段数较多，则对数据集中的数据进行随机选择；
[0022]步骤4.2：分别在冷热侧以波纹流道特征角度θ、特征长度λ、质量流量m、沿流动方向局部位置点坐标Z、局部雷诺数Re和局部普朗特数Pr为输入参数，局部努塞尔数Nu或阻力因子f为输出参数，建立人工神经网络；
[0023]步骤4.3：利用公式法确定隐藏层层数及节点数范围，公式法的表达式为：M为隐藏层节点数，N为输入层节点数，l为输出层节点数，α为1～10之间的常数，配合试错法确定最终神经网络结构；
[0024]步骤4.4：训练神经网络，样本的误差曲线连续多次迭代不再下降，或达到设置训练次数时终止并完成训练，结合数据集和数据集以外的CFD算例对训练好的神经网络进行验证和测试，若验证和测试获得的决定系数R2低于0.9，则重复步骤4.3调整和优化神经网
络结构。
[0025]进一步地，所述步骤5中沿通道长度将通道离散为n个子换热器，将每个子换热器的进口参数和通道的结构参数输入训练好的神经网络，并获得局部努赛尔数Nu和阻力因子f，进一步计算和累加获得冷热侧通道的总换热量与压降。
[0026]进一步地，所述步骤5中将最大化换热量与最小化压降作为目标，在给定工况下利用遗传优化算法进行迭代计算，直至计算出最优解集。
[0027]进一步地，所述步骤5利用训练后的神经网络计算印刷电路板换热器换热量与压降，并作为遗传算法的约束函数，包括：
[0028]步骤5.1：将整个换热器的流道划分为若干个子换热器，沿主流方向将流道划分成为n个子换热器，其中中间n
‑
1个子换热器的长度完全一样，首尾两个子换热器的长度为中间的一半；
[0029]步骤5.2：假设换热器流道冷热侧进出口焓差ΔH，根据进口焓值获得冷侧出口焓值与温度，从本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于神经网络的波纹通道印刷电路板换热器性能预测及结构优化方法，其特征在于，包括以下步骤：步骤1，构建波纹流道印刷电路板换热器的物理与数学模型，划分网格，与实验结果或者关联式进行对比，验证CFD计算获得的换热与压降数据的准确性；步骤2，在给定的冷热侧进口温度和出口压力前提下，选择需要优化的波纹流道印刷电路板换热器结构参数，根据换热器流道结构、所用工质类型、运行工况范围，选取CFD计算中结构参数的取值水平和范围，以及工质流动参数、温度压力参数取值水平和范围；步骤3，采用CFD计算获得步骤2中不同参数取值水平组合下的印刷电路板换热器局部流动换热情况，获取搭建神经网络所需的样本数据集，即神经网络的输入与输出参数对应关系，利用相关性分析判断神经网络输入参数的选择是否合理；步骤4，对神经网络样本数据集进行预处理，分别搭建并训练以冷侧和热侧通道局部努赛尔数Nu和阻力因子f为输出的神经网络，对训练好的神经网络预测局部Nu
*
和f
*
的准确性进行测试和验证，并调整和优化神经网络结构，可预测换热器流动换热特性随结构参数和工况条件的变化情况；步骤5，将换热量最大化与压降最小化作为优化目标，将得到的神经网络作为约束条件，采用遗传优化算法进行多目标优化，即在给定工况条件下获得结构参数的最优解。2.根据权利要求1所述的一种基于神经网络的波纹通道印刷电路板换热器性能预测及结构优化方法，其特征在于，所述波纹流道为周期性波纹流道，包括正弦波纹流道和Z字形波纹流道。3.根据权利要求1所述的一种基于神经网络的波纹通道印刷电路板换热器性能预测及结构优化方法，其特征在于，所述步骤3中样本数据集来自不同几何参数和流动换热工况下的印刷电路板换热器CFD数值模拟结果，利用CFD计算中网格节点数据并处理获得。4.根据权利要求3所述的一种基于神经网络的波纹通道印刷电路板换热器性能预测及结构优化方法，其特征在于，所述步骤3中神经网络的输入参数包括流道壁面局部位置坐标、雷诺数Re、普朗特数Pr、波纹流道特征角度θ和特征长度λ，输出参数为局部努赛尔数Nu和阻力因子f，输入参数和输出参数均经归一化处理后用于神经网络模型的训练与测试。5.根据权利要求4所述的一种基于神经网络的波纹通道印刷电路板换热器性能预测及结构优化方法，其特征在于，所述步骤3包括：步骤3.1，在不同几何参数以及流动换热工况下进行CFD计算，获得收敛的速度场、温度场和压力场，完成若干CFD算例；步骤3.2，对CFD计算结果进行后处理，对流道进行分段并沿各段流道壁面提取网格节点坐标及其对应的局部热流密度，计算获得各段对应的Nu
*
数，同时统计各段进出口压差并计算获得阻力因子f变化情况，取各段沿主流方向的中间位置坐标，建立流道壁面局部位置坐标、雷诺数Re、普朗特数Pr、波纹流道特征角度θ和特征长度λ与局部努赛尔数Nu、阻力因子f的对应关系；步骤3.3，对不同结构参数及质量流量的换热器模型进行CFD数值模拟求解，重复步骤3.2得到系列数据，对系列数据进行归一化处理；步骤3.4，基于步骤3.3获得的系列数据，采用相关性分析方法，判断神经网络输入参数间的相关性，若任意两个输入参数相关系数绝对值高于0.7，则重新选取输入参数组合。
...

【专利技术属性】
技术研发人员：文哲希，李庆，谢丹丹，
申请(专利权)人：中南大学，
类型：发明
国别省市：