[发明专利]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

说明书

本发明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。

技术领域

本发明涉及换热器领域，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。

背景技术

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。

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。

发明内容

为了解决现有技术中的问题，本发明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。

为了实现以上目的，本发明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：

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。

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。