基于BP神经网络的协同角优化探索.doc

中国工程热物理学会传热传质学
学术会议论文编号:
基于BP神经网络的协同角优化探索基金项目:国家自然科学基金资助项目(No. 51036003, 51021065)和教育部博士点基金()。
张晓屿,刘伟,杨昆
(华中科技大学能源与动力工程学院,武汉 430074)
(Tel:027-87542618 E-mail:w_******@hust.)
摘要:本文讨论了圆管内对流换热的机理,利用协同角、以及效能评价系数EEC, 可对传热单元的强化传热性能进行评价. 其中, 协同角反映传热强化的方向, 和角越小, 强化传热管的热阻和流阻越小; 效能评价系数反映传热强化的效果, EEC越大, 强化传热管的综合性能越好. 当角一定时, 、角的变化会产生局部的EEC极大值,这将对管内强化传热有一定的指导意义。
关键词:多场协同原理,强化传热,BP神经网络
0 前言
换热器被广泛应用在发电、钢铁、化工、有色金属等高能耗工业中。为了降低换热器的成本和其尺寸,在换热器的设计过程中最重要的参数就是换热系数和其带来的压降或阻力。而换热系数的提高往往会带来阻力的增加,从而降低了换热器的能量利用效率。当前在换热器设计中一个主要的挑战就是在增强换热系数的同时尽可能地使阻力的增加量达到最小。因此针对提高换热综合性能来发展一种新的强化传热理论和技术是非常重要的。过增元[1-5]等从速度场和温度场相互配合的角度重新审视了对流换热的物理机制, 认为对流换热过程中流体的换热能力与速度场及温度场的分布特性有关, 提出了对流换热强化的场协同原理。刘伟等在此基础上对速度场、压力场及温度场等多个物理场的相互配合进行了分析,提出了对流换热强化的多场协同原理。
在管内插入螺旋片可以使管内流体产生旋转并引起二次流,促进径向混合,在离心力影响下使管中心流体和壁面边界层流体充分混合,造成一个温度比较均匀、速度变化较为明显的核心区域,同时在换热壁面附近造成一个温度和速度变化均比较显著的边界层区域,从而达到强化传热效果[10]。
人工神经网络(Artificial work),简称神经网络,是通过对自然界生物神经系统的组织结构、体统功能和处理方法进行粗略简单的模拟,利用相应的算法从外界环境中学习获取知识并处理解决问题的一门新兴交叉学科。BP神经网络是神经网络研究中应用最为广泛的网络模型之一,采用负梯度下降算法,有效的克服了单层感知器不能解决XOR及其他的一些问题。仅包含输入层、一个隐藏层和输出层的三层BP
神经网络,许多学者证明了他的万能逼近能力[11][12]。大量应用在预测预报、模式识别、信号处理、知识处理、图像处理等许多领域。因此利用BP神经网络对管内流场的协同角进行预测,并从中寻找具有最优结果的协同角值,有可能是一种可行的利用协同角对强化传热进行优化的方法。
1 多场协同理论
基于能量方程的协同方程
对于层流边界层对流换热问题, 流体的能量方程为:
(1)
对于湍流边界层对流换热问题, 流体的能量方程为[7]:
(2)
式中: 为流体导热系数; 为定压比热; 为湍流热扩散系数.
基于方程(1)和(2), 文献[5-9]建立了层流的二维能量协同方程:
(3)
以及湍流的二维能量协同方程:
(4)
式中: 、