基于rbf神经网络的沸腾换热预测方法
专利名称：基于rbf神经网络的沸腾换热预测方法
技术领域：
本发明涉及一种基于径向基(feidial Basis Function，RBF)神经网络的水平光管内混合工质流动沸腾换热预测方法，属于制冷和热能工程计算机人工智能技术领域。
背景技术：
目前，全球能源危机与环境问题日益加剧，制冷空调行业正面临着开发环保制冷工质、提高系统效率和降低设备成本的严峻考验。混合工质因其独特的性能而被越来越重视，因此准确地掌握混合工质的流动沸腾换热性能，成为设计采用混合工质制冷系统的换热器关键所在。近些年来国内外学者针对混合工质的流动沸腾换热性能进行了大量的研究，在实验方面研究了沸腾换热系数随各因素(如管径、热通量、质量流量、干度及饱和温度等)的变化情况，获得了换热系数的实际值，为发展和检验通用换热模型奠定了可靠的数据基础。但是由于流动沸腾传热的机理非常复杂，影响因素众多，具有强烈的非线性行为，到现在为止还没有形成统一的理论认识。现有的各关联式大多是研究者们根据实验数据提出的经验或半经验关联式，在推广应用时往往带来相当大的误差，适用范围很受限制，尤其对混合工质(如Liu-Winteron 关联式，Guangor-Winteron关联式，Kandlikar关联式和Choi关联式等)。RBF神经网络是一种典型的局部逼近网络，其结构简单，训练简洁，无需事前具体描述映射关系的数学方程和物理意义，能够逼近任意的非线性函数。为此，选择具有良好非线性映射能力的RBF神经网络，对水平光管内混合工质的流动沸腾换热建立仿真模型，来预测分析混合工质的流动沸腾换热。
发明内容
本发明针对现有存在的不足，提出一种基于人工神经网络的水平光管内混合工质流动沸腾换热预测方法，该方法可以避免分析混合工质流动沸腾换热过程复杂的内部机理，从而有效地解决传统关联式计算误差普遍较大的问题，提高预测的精度。本发明通过下列技术方案实现一种基于RBF神经网络的沸腾换热预测方法，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⑷)、热通量fo)、干度Cr)、饱和温度 (rsat)、光管内径(幼和流动沸腾换热系数(力)；
(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)数据的前处理由于模型输入各分量大小悬殊，甚至有相差好几个数量级的，大数据势必会湮没小数据对RBF函数的作用，因此需对步骤(1)采集的数据进行归一化处理到
之间，这样能有效地降低输入数据的冗余度，并且能加快网络的训练收敛速度；其公式如下
(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
BmK= ~Σ(Υ )-OiJf(2)
式中，i MSE表示网络误差，表示实际的输出，#为训练数据组数； 另外，得到的输出值为归一化的值，再对其进行反归一化处理，转化为真实输出值，以方便直观地与原实验数据进行对比；其公式如下
X = X—mk) +Jffflk(3)
式中为实测数据的最大值Amin为实测数据的最小值义为实测数据义_为归一化后的数据；
(5)再次采集实测数据，包括质量流量⑷)、热通量fo)、干度(ζ)、饱和温度Vsat)、光管内径Φ)；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Qi)，实现水平光管内混合工质流动沸腾换热的预测。本发明的原理采用混合学习策略的方法，从输入层到隐含层利用K均值聚类算法为隐含层的径向基函数确定合适的数据中心G，并根据各数据中心之间的距离、确定隐含层节点的扩展常数spread ；从隐含层到输出层利用梯度下降算法训练对应的权重 Wik。本发明的RBF神经网络的运算具体是由如下计算过程来实现的初始化RBF神经网络，确定网络n-p-m的连接方式，即输入层神经元为η个，隐含层神经元为ρ个，输出层神经元为m个；对神经网络的权值随机赋值；RBF神经网络的输入表示为Kr=I, 2，…，η)。 设第j组数据RBF网络的输入为不(J)，J2 (J)，…，XJj)，RBF神经网络各层的计算功能如下
输入层只负责线性传递输入信号到隐含层，由信号源节点孓(r=l，2，…，η)组成 Inputr(j) =Jr(j) , Outputr(j) = Input Jj) ’ (r=l,2, ·.., η) ；(4)
式々Input Jj) ,Output Jj)分别表示输入层的输入和输出； 隐含层由P个神经元组成
Inputi(J)= WX(J)-Ci Il，Outputi (j) =Φ, (Inputi (j)) , (i=l，2，…，ρ) ；(5)
式中InputiG)，Outputi(J)分别表示隐含层的输入和输出，IO^DT1 ，X2(J)，…， 表示第J·组数据的输入值，II^TJX.II表示G与^r力之间的欧氏距离，φ (*)表
4示高斯函数，其形式为
权利要求
1. 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⑷)、热通量fo)、干度Cr)、饱和温度 (rsat)、光管内径(幼和流动沸腾换热系数(力)；(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
之间，其公式如下(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S腿=社(:·0·2(2)式中，i MSE表示网络误差，表示实际的输出，#为训练数据组数；另外，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Jf = Jf 木C^sx -Xmh)+ Xmkl(3)式中Aax为实测数据的最大值Amin为实测数据的最小值义为实测数据义_为归一化后的数据；(5)再次采集实测数据，包括质量流量⑷)、热通量fo)、干度(ζ)、饱和温度Vsat)、光管内径Φ)；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(A)。
全文摘要
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。
文档编号G06N3/08GK102419827SQ20111034143
公开日2012年4月18日 申请日期2011年11月2日 优先权日2011年11月2日
发明者刘军云, 文旭林, 毕贵红, 王 华, 王辉涛, 陈晓萍, 陈蓉, 高宏宇, 黄峻伟 申请人:昆明理工大学
技术领域：
本发明涉及一种基于径向基(feidial Basis Function，RBF)神经网络的水平光管内混合工质流动沸腾换热预测方法，属于制冷和热能工程计算机人工智能技术领域。
背景技术：
目前，全球能源危机与环境问题日益加剧，制冷空调行业正面临着开发环保制冷工质、提高系统效率和降低设备成本的严峻考验。混合工质因其独特的性能而被越来越重视，因此准确地掌握混合工质的流动沸腾换热性能，成为设计采用混合工质制冷系统的换热器关键所在。近些年来国内外学者针对混合工质的流动沸腾换热性能进行了大量的研究，在实验方面研究了沸腾换热系数随各因素(如管径、热通量、质量流量、干度及饱和温度等)的变化情况，获得了换热系数的实际值，为发展和检验通用换热模型奠定了可靠的数据基础。但是由于流动沸腾传热的机理非常复杂，影响因素众多，具有强烈的非线性行为，到现在为止还没有形成统一的理论认识。现有的各关联式大多是研究者们根据实验数据提出的经验或半经验关联式，在推广应用时往往带来相当大的误差，适用范围很受限制，尤其对混合工质(如Liu-Winteron 关联式，Guangor-Winteron关联式，Kandlikar关联式和Choi关联式等)。RBF神经网络是一种典型的局部逼近网络，其结构简单，训练简洁，无需事前具体描述映射关系的数学方程和物理意义，能够逼近任意的非线性函数。为此，选择具有良好非线性映射能力的RBF神经网络，对水平光管内混合工质的流动沸腾换热建立仿真模型，来预测分析混合工质的流动沸腾换热。
发明内容
本发明针对现有存在的不足，提出一种基于人工神经网络的水平光管内混合工质流动沸腾换热预测方法，该方法可以避免分析混合工质流动沸腾换热过程复杂的内部机理，从而有效地解决传统关联式计算误差普遍较大的问题，提高预测的精度。本发明通过下列技术方案实现一种基于RBF神经网络的沸腾换热预测方法，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⑷)、热通量fo)、干度Cr)、饱和温度 (rsat)、光管内径(幼和流动沸腾换热系数(力)；
(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)数据的前处理由于模型输入各分量大小悬殊，甚至有相差好几个数量级的，大数据势必会湮没小数据对RBF函数的作用，因此需对步骤(1)采集的数据进行归一化处理到
之间，这样能有效地降低输入数据的冗余度，并且能加快网络的训练收敛速度；其公式如下
(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
BmK= ~Σ(Υ )-OiJf(2)
式中，i MSE表示网络误差，表示实际的输出，#为训练数据组数； 另外，得到的输出值为归一化的值，再对其进行反归一化处理，转化为真实输出值，以方便直观地与原实验数据进行对比；其公式如下
X = X—mk) +Jffflk(3)
式中为实测数据的最大值Amin为实测数据的最小值义为实测数据义_为归一化后的数据；
(5)再次采集实测数据，包括质量流量⑷)、热通量fo)、干度(ζ)、饱和温度Vsat)、光管内径Φ)；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Qi)，实现水平光管内混合工质流动沸腾换热的预测。本发明的原理采用混合学习策略的方法，从输入层到隐含层利用K均值聚类算法为隐含层的径向基函数确定合适的数据中心G，并根据各数据中心之间的距离、确定隐含层节点的扩展常数spread ；从隐含层到输出层利用梯度下降算法训练对应的权重 Wik。本发明的RBF神经网络的运算具体是由如下计算过程来实现的初始化RBF神经网络，确定网络n-p-m的连接方式，即输入层神经元为η个，隐含层神经元为ρ个，输出层神经元为m个；对神经网络的权值随机赋值；RBF神经网络的输入表示为Kr=I, 2，…，η)。 设第j组数据RBF网络的输入为不(J)，J2 (J)，…，XJj)，RBF神经网络各层的计算功能如下
输入层只负责线性传递输入信号到隐含层，由信号源节点孓(r=l，2，…，η)组成 Inputr(j) =Jr(j) , Outputr(j) = Input Jj) ’ (r=l,2, ·.., η) ；(4)
式々Input Jj) ,Output Jj)分别表示输入层的输入和输出； 隐含层由P个神经元组成
Inputi(J)= WX(J)-Ci Il，Outputi (j) =Φ, (Inputi (j)) , (i=l，2，…，ρ) ；(5)
式中InputiG)，Outputi(J)分别表示隐含层的输入和输出，IO^DT1 ，X2(J)，…， 表示第J·组数据的输入值，II^TJX.II表示G与^r力之间的欧氏距离，φ (*)表
4示高斯函数，其形式为
权利要求
1. 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⑷)、热通量fo)、干度Cr)、饱和温度 (rsat)、光管内径(幼和流动沸腾换热系数(力)；(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
之间，其公式如下(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S腿=社(:·0·2(2)式中，i MSE表示网络误差，表示实际的输出，#为训练数据组数；另外，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Jf = Jf 木C^sx -Xmh)+ Xmkl(3)式中Aax为实测数据的最大值Amin为实测数据的最小值义为实测数据义_为归一化后的数据；(5)再次采集实测数据，包括质量流量⑷)、热通量fo)、干度(ζ)、饱和温度Vsat)、光管内径Φ)；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(A)。
全文摘要
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。
文档编号G06N3/08GK102419827SQ20111034143
公开日2012年4月18日 申请日期2011年11月2日 优先权日2011年11月2日
发明者刘军云, 文旭林, 毕贵红, 王 华, 王辉涛, 陈晓萍, 陈蓉, 高宏宇, 黄峻伟 申请人:昆明理工大学
最新回复(0)