[发明专利]基于采用改进思维进化算法的BP人工神经元网络的喷射器性能的预测方法

说明书

技术领域

本发明涉及一种喷射器性能预测方法，尤其是一种基于采用思维进化算法(MEA)的BP人工神经元网络的喷射器性能的预测方法。

背景技术

喷射器由一股压力较高的流体通过工作喷嘴产生真空，并吸入压力较低的流体，混合后通过扩压器提高流体的压力，最终得到中等压力的流体，即将低压流体压力的提升，实现压缩的效果。喷射器可以利用工业余压、余热、废热、太阳能热、地热等低品位能源作为驱动，无需消耗电力，具有良好的节能减排效果，在能源环境形势严峻的背景下，在化工、热能、制冷、暖通等领域得到了广泛应用与大量关注和研究。

临界工作状态下的引射系数(ε)与出口背压(p_c)是喷射器关键的性能参数。但由于喷射器内部流动非常复杂，包括两次壅塞、超音速流动、各类激波、扇形扩散等现象，采用一维物理模型模拟得到的参数精度较低，效果较差，如文献1(W.Chen et al.Theoretical analysis of ejector refrigeration system performance under overall modes.Applied energy,185-2:2074-2084,2016，即W.Chen等.全工况下喷射制冷系统性能的理论分析.应用能源,185-2:2074-2084,2016.)以及文献2(JM.Cardemil et al.A general model for evaluation of vapor ejectors performance for application in refrigeration.Energy Conversion and Management,64:79-86,2012，即JM.Cardemil等.一个用于制冷用蒸汽喷射器性能评估的模型.能量转换与管理,64:79-86,2012.)中所示的传统模型的平均误差多在5-10％，而最大误差可达15％以上。如采用计算流体力学的方法则耗时过长、也耗费人力物力，不适合设计及相关循环的研究。上述现状对喷射器的设计应用、相关循环研究等工作带来问题。

发明内容

为了克服已有喷射器性能的预测方法的预测精度较低、耗时较长的不足，本发明提供了一种预测精度较高、耗时较短的基于采用改进思维进化算法的BP人工神经元网络的喷射器性能的预测方法。

本发明解决其技术问题所采用的技术方案是：

一种基于采用改进思维进化算法的BP人工神经元网络的喷射器性能的预测方法，包括以下步骤：

步骤一，数据的采集与处理：对于给定的喷射器，收集相关参数即引射流体压力Pe、工作流体压力Pp、出口背压Pc和引射系数ε，对引射流体压力、工作流体压力与出口背压进行归一化处理，使其到[0,1]之间，公式如下：

其中，k为归一化后的数据，x为被归一化数据，x_min为被归一化数据中的最小值，x_max为被归一化数据中最大值；

步骤二，思维进化算法初始化参数设置：对包括种群大小、优胜子种群个数、临时子种群个数、子群体大小、迭代次数等参数进行设置并建立最初种群；

步骤三，根据得分函数计算最初种群中得分最高的若干个优胜个体和临时个体，以这些个体为中心产生新的个体，得到优胜子种群和临时子种群；

步骤四，趋同操作，各子种群内的个体相互竞争，直至产生成熟的子种群，将得分进行记录；

步骤五，异化操作，各个成熟子种群的最优个体进行全局竞争并形成新的临时群体；

步骤六，将得分较低的子群体中保留得分相对较高的子群体进行交叉变异得到新的个体，再将剩余的子群体淘汰掉并在全局范围内重新进行搜索并形成新的临时群体；

步骤七，重复步骤四～步骤六达到迭代次数上限，此时产生的评分最高的个体即为所求最佳个体；

步骤八，神经网络结构建立与参数初始化：根据网络的输入输出矢量，确定神经网络结构，隐含层数为一层，神经元个数根据经验公式：得出，其中l、n为输入、输出节点数，a为常数取1～10；其中，引射流体压力、工作流体压力为该神经网络的输入，出口背压、引射系数为该神经网络的输出；

步骤九，改进BP-MEA神经网络的训练：用步骤(8)中建立的人工神经网络进行训练，在经过若干次迭代直到预测值与期望值小于给定值，此时神经网络训练结束，该训练完成的神经网络即为建立的喷射器性能预测BP-MEA神经网络；