CN117272832A - 基于神经网络的post-dryout传热区仿真方法 - Google Patents
基于神经网络的post-dryout传热区仿真方法 Download PDFInfo
- Publication number
- CN117272832A CN117272832A CN202311410523.9A CN202311410523A CN117272832A CN 117272832 A CN117272832 A CN 117272832A CN 202311410523 A CN202311410523 A CN 202311410523A CN 117272832 A CN117272832 A CN 117272832A
- Authority
- CN
- China
- Prior art keywords
- neural network
- heat transfer
- post
- data
- physical information
- 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
- 238000012546 transfer Methods 0.000 title claims abstract description 51
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 46
- 238000000034 method Methods 0.000 title claims abstract description 43
- 238000004088 simulation Methods 0.000 title claims abstract description 20
- 238000012549 training Methods 0.000 claims abstract description 17
- 238000010276 construction Methods 0.000 claims abstract description 8
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 8
- 238000013135 deep learning Methods 0.000 claims abstract description 4
- 239000000126 substance Substances 0.000 claims abstract description 4
- 238000002474 experimental method Methods 0.000 claims description 15
- 238000012360 testing method Methods 0.000 claims description 7
- 238000009835 boiling Methods 0.000 claims description 6
- 238000005259 measurement Methods 0.000 claims description 6
- 238000010438 heat treatment Methods 0.000 claims description 5
- 238000005457 optimization Methods 0.000 claims description 4
- 239000012808 vapor phase Substances 0.000 claims description 4
- 230000004907 flux Effects 0.000 claims description 3
- 239000007791 liquid phase Substances 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 2
- 230000000694 effects Effects 0.000 claims description 2
- 238000012795 verification Methods 0.000 claims description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000007788 liquid Substances 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 239000002826 coolant Substances 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000001035 drying Methods 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 239000012634 fragment Substances 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0499—Feedforward networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- G06F2119/08—Thermal analysis or thermal optimisation
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computer Hardware Design (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Geometry (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Pure & Applied Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Fluid Mechanics (AREA)
- Algebra (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Investigating Or Analyzing Materials Using Thermal Means (AREA)
Abstract
一种基于神经网络的post‑dryout传热区仿真方法，以水为传热物质，获得基于不同实验条件下的post‑dryout实验数据的无量纲数数据集，将其结合经验公式构建努塞尔数的目标物理信息，用于对构建得到的BP神经网络进行训练，在在线阶段采用训练后的BP神经网络进行实时仿真。本发明着重构建目标努塞尔数的物理信息，并与神经网络结合，通过深度学习方法探究不同实验条件与post‑dryout工况传热系数变化的内在联系，能够取得平均相对误差在0.03％以内的预测精度，能够实现post‑drtyout传热的精确仿真。
Description
技术领域
本发明涉及的是一种核反应堆控制领域的技术，具体是一种流动沸腾换热系统中基于神经网络的高含气率工况下沸腾危机干涸后(post-dryout)传热区仿真方法。
背景技术
Post-dryout是流动沸腾换热系统中沸腾危机发生后的一种传热现象。Post-dryout传热阶段加热表面无法得到连续流体浸润冷却，主流为连续汽相，液相则以分散的液滴或小碎片的形式出现，加热表面热量通过与汽相对流换热和与液滴之间湿接触传热带走，使得不稳定区域传热系数显著降低，加热面热量积累、温度升高。这种现象可能发生在压水反应堆的冷却剂丧失事故和沸水反应堆的异常瞬态条件。在post-dryout现象中，传热系数的降低表征传热恶化产生，而post-dryout中关键无量纲参数努塞尔数无法被理论公式准确预测、现有理论经验公式不能适用于多种工况。
发明内容
本发明针对现有技术存在的上述不足，提出一种基于神经网络的post-dryout传热区仿真方法，着重构建目标努塞尔数的物理信息，并与神经网络结合，通过深度学习方法探究不同实验条件与post-dryout工况传热系数变化的内在联系，能够取得平均相对误差在0.03％以内的预测精度，能够实现post-drtyout传热的精确仿真。
本发明是通过以下技术方案实现的：
本发明涉及一种基于神经网络的post-dryout传热区仿真方法，以水为传热物质，获得基于不同实验条件下的post-dryout实验数据的无量纲数数据集，将其结合经验公式构建努塞尔数的目标物理信息，用于对构建得到的BP神经网络进行训练，在在线阶段采用训练后的BP神经网络进行实时仿真。
所述的不同实验条件是指：在post-dryout传热过程中，根据不同的工况，设置对应的压力、质量流速、热通量、平衡含汽率、管径参数。
所述的经验公式是指：Dittus-Boelter经典湍流对流换热关联式。
本发明涉及一种实现上述方法的系统，包括：实验与数据整理模块、目标物理信息构建模块、神经网络训练及预测与评价模块，其中实验与数据整理模块是基于不同实验条件下的post-dryout实验，对实验数据进行收集整理，获得无量纲数数据集；目标物理信息构建模块为基于经验公式获得努塞尔数理论计算值，基于实验数据得到努塞尔数对实际测量值，构建计算值与实际测量值的比值作为目标物理信息；神经网络训练及预测与评价模块根据实验数据的无量纲数数据集与目标物理信息，划分数据集为训练集、验证集和测试集，通过迭代寻优优化神经网络超参数，训练神经网络并对其预测效果进行验证，以目标物理信息预测值的最大误差和相对平均误差作为预测精度评价指标。
附图说明
图1为本发明流程图；
图2为目标物理信息构建流程图；
图3为神经网络模型图；
图4为预测误差直方分布图。
具体实施方式
如图1和图2所示，为本实施例涉及一种基于神经网络的post-dryout传热区仿真方法，以水为传热物质，获得基于不同实验条件下的post-dryout实验数据的无量纲数数据集，将其结合经验公式构建努塞尔数的目标物理信息，用于对构建得到的BP神经网络进行训练，在在线阶段采用训练后的BP神经网络进行实时仿真。
所述的无量纲数数据集，通过以下方式得到：
1)设定传热介质为水，设置不同实验条件进行post-dryout传热实验，测量实验过程中的相关数据，得到共8519组实验数据构成原始数据集；
2)基于实验条件和实验过程中的相关数据，每组实验构建共13个与传热过程相关的无量纲数据作为无量纲数数据集。
所述的不同实验条件是指：在post-dryout传热过程中，根据不同的工况，设置对应不同的压力、质量流速、热通量、平衡含汽率、管径参数。
所述的13个与传热过程相关的无量纲数据是指：基于不同的实验条件，对传热过程中的实验量进行收集分析，包括：沸腾数、普朗特数、雷诺数、弗劳德数、韦伯数、平衡含汽率、液相和蒸汽相之间的比热容比率、热导率比率、动力粘度比率和干度，蒸汽与加热壁温度为定性温度的的比热容比率、热导率比率和动力粘度比率。
所述的努塞尔数的目标物理信息，即传热过程中努塞尔数的实际测量值和理论计算值的比值，通过以下方式得到：根据经典的对流换热Dittus-Boelter公式，结合设置的实验条件参数值得到努塞尔数的理论计算值；在实验过程中，通过测量post-dryout传热过程的实验数据得到努塞尔数的实际测量值，并构建二者的比值作为目标物理信息。
所述的经验公式是指：Dittus-Boelter经典湍流对流换热关联式。
如图3所示，所述的神经网络，为针对努塞尔数物理信息搭建的采用深度学习方法的BP全连接神经网络，该神经网络包括输入层、多个隐藏层和输出层，通过迭代寻优方法，确定表现最优的隐藏层数、隐藏层节点数、学习率和正则化参数超参数，并基于测试集数据进行目标物理信息的预测，与实际值对比得到预测精度。
所述的训练是指：设置无量纲数据为输入数据，努塞尔数物理信息为输出数据，然后将总8519组实验数据按照接近70:15:15的比例进行划分，分别作为努塞尔数物理信息预测神经网络的训练集、验证集和测试集，在神经网络中进行训练。
经过具体实际实验，对测试集共1277组数据进行误差精度分析，误差分布直方图如图4所示，误差均值不超过0.03％，相对误差均方根值不超过0.08。以上结果表明，该方法能够基于目标物理信息和神经网络技术构建具有较好表现的努塞尔数预测模型，进而对post-dryout过程中的传热分析提供新的解决思路。
上述具体实施可由本领域技术人员在不背离本发明原理和宗旨的前提下以不同的方式对其进行局部调整，本发明的保护范围以权利要求书为准且不由上述具体实施所限，在其范围内的各个实现方案均受本发明之约束。
Claims (9)
1.一种基于神经网络的post-dryout传热区仿真方法，其特征在于，以水为传热物质，获得基于不同实验条件下的post-dryout实验数据的无量纲数数据集，将其结合经验公式构建努塞尔数的目标物理信息，用于对构建得到的BP神经网络进行训练，在在线阶段采用训练后的BP神经网络进行实时仿真。
2.根据权利要求1所述的基于神经网络的post-dryout传热区仿真方法，其特征是，所述的不同实验条件是指：在post-dryout传热过程中，根据不同工况设置不同的压力、质量流速、热通量、平衡含汽率、管径参数。
3.根据权利要求1所述的基于神经网络的post-dryout传热区仿真方法，其特征是，所述的经验公式是指：Dittus-Boelter经典湍流对流换热关联式。
4.根据权利要求1所述的基于神经网络的post-dryout传热区仿真方法，其特征是，所述的无量纲数数据集，通过以下方式得到：
1)设定传热介质为水，设置不同实验条件进行post-dryout传热实验，测量实验过程中的相关数据，得到共8519组实验数据构成原始数据集；
2)基于实验条件和实验过程中的相关数据，每组实验构建共13个与传热过程相关的无量纲数据作为无量纲数数据集。
5.根据权利要求4所述的基于神经网络的post-dryout传热区仿真方法，，其特征是，所述的13个与传热过程相关的无量纲数据包括：沸腾数、普朗特数、雷诺数、弗劳德数、韦伯数、平衡含汽率、液相和蒸汽相之间的比热容比率、热导率比率、动力粘度比率和干度，蒸汽与加热壁温度为定性温度的的比热容比率、热导率比率和动力粘度比率。
6.根据权利要求1所述的基于神经网络的post-dryout传热区仿真方法，其特征是，所述的努塞尔数的目标物理信息，即传热过程中努塞尔数的实际测量值和理论计算值的比值，通过以下方式得到：根据经典的对流换热Dittus-Boelter公式，结合设置的实验条件参数值得到努塞尔数的理论计算值；在实验过程中，通过测量post-dryout传热过程的实验数据得到努塞尔数的实际测量值，并构建二者的比值作为目标物理信息。
7.根据权利要求1所述的基于神经网络的post-dryout传热区仿真方法，其特征是，所述的神经网络，为针对努塞尔数物理信息搭建的采用深度学习方法的BP全连接神经网络，该神经网络包括输入层、多个隐藏层和输出层，通过迭代寻优方法，确定表现最优的隐藏层数、隐藏层节点数、学习率和正则化参数，并基于测试集数据进行目标物理信息的预测，与实际值对比得到预测精度。
8.根据权利要求1所述的基于神经网络的post-dryout传热区仿真方法，其特征是，所述的训练是指：设置无量纲数据为输入数据，努塞尔数物理信息为输出数据，然后将总8519组实验数据按照接近70:15:15的比例进行划分，分别作为努塞尔数物理信息预测神经网络的训练集、验证集和测试集，在神经网络中进行训练。
9.一种实现权利要求1-8中任一所述post-dryout传热区仿真方法系统，其特征在于，包括：实验与数据整理模块、目标物理信息构建模块、神经网络训练及预测与评价模块，其中实验与数据整理模块是基于不同实验条件下的post-dryout实验，对实验数据进行收集整理，获得无量纲数数据集；目标物理信息构建模块为基于经验公式获得努塞尔数理论计算值，基于实验数据得到努塞尔数对实际测量值，构建计算值与实际测量值的比值作为目标物理信息；神经网络训练及预测与评价模块根据实验数据的无量纲数数据集与目标物理信息，划分数据集为训练集、验证集和测试集，通过迭代寻优优化神经网络超参数，训练神经网络并对其预测效果进行验证，以目标物理信息预测值的最大误差和相对平均误差作为预测精度评价指标。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311410523.9A CN117272832B (zh) | 2023-10-27 | 2023-10-27 | 基于神经网络的post-dryout传热区仿真方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311410523.9A CN117272832B (zh) | 2023-10-27 | 2023-10-27 | 基于神经网络的post-dryout传热区仿真方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117272832A true CN117272832A (zh) | 2023-12-22 |
| CN117272832B CN117272832B (zh) | 2024-03-19 |
Family
ID=89204438
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311410523.9A Active CN117272832B (zh) | 2023-10-27 | 2023-10-27 | 基于神经网络的post-dryout传热区仿真方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117272832B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117854614A (zh) * | 2024-01-22 | 2024-04-09 | 上海交通大学 | 核反应堆干涸后传热系数预测方法 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114492201A (zh) * | 2022-02-16 | 2022-05-13 | 中南大学 | 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 |
-
2023
- 2023-10-27 CN CN202311410523.9A patent/CN117272832B/zh active Active
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114492201A (zh) * | 2022-02-16 | 2022-05-13 | 中南大学 | 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 |
Non-Patent Citations (4)
| Title |
|---|
| SHIJIANXIN等: "《Numerical simulation of dryout and post-dryout heat transfer in a straight-pipe once-through steam generator》", 《APPLIED THERMAL ENGINEERING》, vol. 105, 25 July 2016 (2016-07-25), pages 132 - 141 * |
| SONGMEIQI等: "《A new correlation for post-dryout heat transfer in upward vertical flow 》", 《NUCLEAR ENGINEERING AND DESIGN》, vol. 392, 31 March 2022 (2022-03-31), pages 1 - 12, XP087051662, DOI: 10.1016/j.nucengdes.2022.111747 * |
| 宋美琪等: "《近临界压力区Post-dryout传热特性分析》", 《原子能科学技术》, vol. 54, no. 9, 18 May 2020 (2020-05-18), pages 1576 - 1581 * |
| 王明路: "《螺旋管直流蒸汽发生器管内气液两相流动传热特性研究》", 《中国博士学位论文全文数据库》, no. 1, 15 January 2023 (2023-01-15), pages 040 - 5 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117854614A (zh) * | 2024-01-22 | 2024-04-09 | 上海交通大学 | 核反应堆干涸后传热系数预测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117272832B (zh) | 2024-03-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN117272832B (zh) | 基于神经网络的post-dryout传热区仿真方法 | |
| EP3944125A1 (en) | Method and system for manufacturing a heat exchanger for supercritical pressure fluid | |
| Peng et al. | Neural networks analysis of thermal characteristics on plate-fin heat exchangers with limited experimental data | |
| CN114722732B (zh) | 基于点云网络的高超声速飞行器燃料箱温度场预测方法 | |
| Li et al. | Study on thermal-hydraulic performance of printed circuit heat exchangers with supercritical methane based on machine learning methods | |
| CN114462336B (zh) | 一种核反应堆主管道冷却剂平均温度计算方法 | |
| CN114429003A (zh) | 锅炉四管寿命预测方法的系统 | |
| CN116595881A (zh) | 一种对原油储罐温度场预测和储油安全性评价的方法 | |
| CN113990539B (zh) | 核反应堆主管道热段冷却剂温度分布的超声测量重构方法 | |
| Wang et al. | Experimental and numerical study on the heat transfer and flow characteristics of convex plate heat exchanger based on multi-objective optimization | |
| CN110489706B (zh) | 一种板式热交换器能效指标eei的简化计算方法 | |
| CN105447256B (zh) | 一种增强激励仿真遗传优化方法 | |
| CN109858073B (zh) | 针对板翅式换热器效率模型的基于瞬态试验数据的实时快速构建方法 | |
| CN117648785A (zh) | 基于Modelica的蒸汽管道仿真方法及装置 | |
| Khan | Modeling and temperature control of heat exchanger process | |
| CN104749203B (zh) | 用于测试和评估在高温操作下的传热元件的方法和系统 | |
| Wei et al. | Study on dryout point by wavelet and GNN | |
| CN112035957B (zh) | 一种空空中冷器性能预测方法 | |
| Kadirova et al. | Determination of the heat convection coefficient by CFD simulation of heat transfer processes at forced convection | |
| Guo et al. | Design and optimization of staggered fin structure of heat exchanger based on Machine learning | |
| Aljasar et al. | Numerical analysis of the 8-tube hydraulic fuel assembly of an IRT-T research reactor | |
| Hernández‐Gil et al. | Heat exchanger design considering variable overall heat transfer coefficient: An artificial neural network approach | |
| Gong et al. | Airside friction and heat transfer performance of micro‐bare‐tube heat exchangers with bundle diameters varying gradually from 1.0 to 0.4 mm | |
| Avila et al. | ANN-based classification of operating data in humid air-water heat exchangers | |
| CN118424035B (zh) | 用于多管程绕管式换热器的高效换热控制方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |