人工神经网络及遗传算法预测流动沸腾传热系数

发布时间：2021-06-27 06:33

　　流动沸腾换热,就是流体通过一个加热通道实现的换热。流动沸腾换热主要包括核态沸腾换热、强制对流沸腾换热两种。人工神经网络是按照不同的连接方式组成不同的网络以数学物理方法对人脑神经元网络进行抽象建立的简单模型。遗传算法是一种基于生物进化模型的随机搜索算法,具有全局搜索性的优点。遗传神经网络具有遗传算法的本质并行性的优点,能够以较少的计算达到目的,同时具有全局搜索的优势且收敛速度较快,有助于缩短搜索时间。由于传热机理的复杂性,人工神经网络及遗传算法已被广泛应用于预测CHF等问题。核反应堆的传热问题一直被重点关注,管内流动沸腾传热过程复杂。利用神经网络处理该问题,较其他算法有计算量少且运算速度快的优势。本文用流动沸腾传热系数的实验数据来训练三层神经网络,并使用遗传算法拟合流动沸腾换热公式。训练后的神经网络能够较好地拟合实验数据,遗传神经网络预测结果优于人工神经网络。本文利用人工神经网络得出压力、含气率、质量流密度、热流密度、管内径、翅化比等参数对流动沸腾传热系数的影响,并从核态沸腾和对流沸腾两个方面具体分析其影响。研究结果表明:传热系数随压力、质量流密度、翅化比、热流密度、含气率的增大而增大,... 

【文章来源】：兰州大学甘肃省 211工程院校 985工程院校 教育部直属院校

【文章页数】：63 页

【学位级别】：硕士

【部分图文】：

生物神经元结构

模型具有神经元最基本的一些特征，有多个输入（生物神进行线性叠加，然后当叠加和突破某个阈值的时候产的轴突）。两个神经元之间的联系强度称为权值。假设主要有以下几点：多输入单输出，且节点类型是单向的，上层节点的本文所用的 BP 网络就是这种节点类型；的作用有两种，分别为抑制和促进；和阈值来组合，节点与节点之间有着各自对应的连时假设有延迟；合没有延迟；时间和强度不随时间改变。神经元模型如图 2-2 所示：

图 2-4 BP 神经元模型示意图其常用传递函数为 Sigmoid 函数和线性函数 purelin。在隐含层中常oid 函数，在模型开始训练的阶段，由于连接权重的设置要求满足均匀分布，所以初期的连接权重在 0 值附近，使得加法器结果在 0 附近gmoid 函数的斜率近似为常数，输入与输出之间呈线性关系，模型较为 BP 神经网络的权重不断进行调整，节点加法器的结果偏离 0 值，输入线性的关系，此时输入的变化对输出的影响程度逐渐变小；训练到了器结果远离 0，此时输入的变化将不再引起输出的明显变化，输出趋于，Sigmoid 函数能够较好连接权重修正过程中的模型从近似线性到非线过程。这里采用的 Sigmoid 函数为 logsig 函数或 tansig 函数。输出层采递 purelin 函数，如图 2-5 所示。图 2-6 是一个典型的单隐含层 BP 神经


本文编号：3252329