[发明专利]管内过冷沸腾流动阻力特性的预测方法

权利要求书

1.管内过冷沸腾流动阻力特性的预测方法，其特征在于，具体按照以下步骤实施：

步骤1：开展过冷流动沸腾实验测试，获取流动换热实验的基础数据；

步骤2：利用步骤1的基础数据，计算出雷诺数Re，沸腾数Bo、基于进口参数的雅各布数Ja；

步骤3：确定预测模型的输入参数和输出参数，并得到输入参数和输出参数的对应关系；

步骤4：对步骤3的输入参数和输出参数进行归一化处理；

步骤5：利用步骤4归一化处理后的输入参数与输出参数以及LeakyReLU函数，搭建极限学习机模型；

步骤6：利用遗传算法对步骤5搭建的极限学习机模型的初始权值和阈值进行寻优，得到更新的预测模型；

步骤7：将全部过冷沸腾实验数据按比例随机分为训练集和预测集两部分，训练集数据用于训练预测模型，预测集数据用于验证预测模型的精度；调整步骤6的预测模型中隐含层神经元数量，重复进行上述步骤；

步骤8：比较步骤7中隐含层神经元数量对预测精度影响，选取具有最大回归决定系数R²、最小平均绝对误差MAE和均方根误差RMSE的神经元数量的预测模型，并将其作为最终的预测模型。

2.根据权利要求1所述的管内过冷沸腾流动阻力特性的预测方法，其特征在于，步骤1中，获取实验管道的基础数据为：管道直径d_in、管道长度L,热流密度q、流速u、质量流速G，压力p、阻力Δp与相同条件下的全液相绝热流动阻力Δp_ad、进口流体温度T_b,in、平均流体温度T_b、平均内壁面温度T_w,in、过冷度ΔT_sub、流体密度ρ、流体焓值H_b、饱和液焓值H_l,sat、汽化潜热H_fg、定压比热容c_p、动力粘度μ_b及液-汽密度比ρ_l/ρ_g。

3.根据权利要求2所述的管内过冷沸腾流动阻力特性的预测方法，其特征在于，步骤2中，雷诺数Re，沸腾数Bo及基于进口参数的雅各布数Ja的表达式如下：

4.根据权利要求3所述的管内过冷沸腾流动阻力特性的预测方法，其特征在于，步骤3的具体按照以下步骤实施：选取过冷沸腾流动阻力Δp作为预测模型输出参数，选取沸腾数Bo、基于进口参数的雅各布数Ja、液-汽密度比ρ_l/ρ_g及雷诺数Re 4个无量纲参数作为预测模型的输入参数，利用输入参数对输出参数进行预测，输出参数和输入参数的对应关系如下式所示：

5.根据权利要求4所述的管内过冷沸腾流动阻力特性的预测方法，其特征在于，步骤4中使用的归一化处理公式如下：

式中，Z和Z*分别代表未处理的参数以及归一化处理后的参数；Z_min和Z_max分别代表未处理的参数的最大值和最小值。

6.根据权利要求5所述的管内过冷沸腾流动阻力特性的预测方法，其特征在于，步骤5中，极限学习机模型结构为全连接的单隐含层神经网络结构，由输入层、输出层和隐含层三部分组成；其中，选用LeakyReLU函数作为输入层到隐含层的激活函数：

其中，σ(x)和x分别表示激活函数和步骤4中归一化处理后的输入参数；a表示超参数。

7.根据权利要求6所述的管内过冷沸腾流动阻力特性的预测方法，其特征在于，步骤6的具体按照以下步骤实施：通过步骤5确定极限学习机模型的拓扑结构，并初始化权值和阈值；利用GA算法，对初始值进行编码；选取训练误差作为适应度函数，GA算法将通过选择、交叉和变异操作，计算适应度值，迭代获取最优的初始权值和阈值；最后，将GA算法寻优获得的权值和阈值代入ELM模型进行求解，输出预测结果，得到新的预测模型。

8.根据权利要求7所述的管内过冷沸腾流动阻力特性的预测方法，其特征在于，步骤7的具体按照以下步骤实施：将全部过冷沸腾实验数据按照8：2的比例随机分为训练集和预测集两部分，将训练集数据输入步骤6搭建的预测模型进行学习训练，获取最新的预测模型，随后将测试集数据带入最新的预测模型，获得测试集数据的回归决定系数R²以及全部数据的平均绝对误差MAE和均方根误差RMSE；调整步骤6的预测模型中隐含层神经元数量，重新进行上述步骤，并获得测试集数据的回归决定系数R²以及全部数据的平均绝对误差MAE和均方根误差RMSE。