螺旋式换热器
换热器生产
管板换热器
新闻动态
基于神经网络方法预测翅片参数对车用中冷器性能的影响点击：1698 日期：[ 2014-04-26 21:35:32 ] |
| 基于神经网络方法预测翅片参数对车用中冷器性能的影响 肖宝兰1,2,俞小莉1,韩 松1,陆国栋3,夏立峰3 (1.浙江大学动力机械及车辆工程研究所,杭州310027;2.浙江大学城市学院,杭州310015;3.浙江银轮机械股份有限公司,天台317200) 摘要:鉴于翅片几何参数对换热器流动传热性能影响的典型非线性特性,采用人工神经网络技术对该问题的可行性进行了研究。利用风洞试验数据作为学习和测试样本,将翅片的高度、节距、扭幅和波长作为输入变量,分别建立了3层反向传播(BP)神经网络和径向基函数(RBF)神经网络,对其进行学习训练与优化后,用来预测波纹翅片几何参数变化对中冷器性能的影响。预测结果表明:BP神经网络预测平均误差在5.5%以内,满足工程实际需要,可以减少大量的试验工作量;而RBF神经网络预测误差非常大,完全不适用于该问题的研究,并对可能原因进行了分析。 关键词:内燃机;神经网络;翅片参数;热力性能;反向传播;径向基函数 中图分类号: TK414·2文献标识码: A 文章编号:1000-0925(2010) 05-0092-05 0 概述 目前,许多车辆都采用废气涡轮增压技术以满足发动机高功率密度的需求,而进气密度的提高和NOx排放控制都在很大程度上依赖于进气中冷过程。车用中冷器多采用气-气形式,冷、热侧均安装翅片以强化热力性能。流道内翅片的形式以及结构参数对于换热器流动传热性能的影响至关重要。从20世纪40、50年代起,就对翅片性能开展了大量的研究工作,早期研究以试验为主[1-3]。近年来,从理论研究和数值模拟角度开展了翅片几何参数对换热器热力性能的影响研究[4,5]。从大量研究得出的流动传热关联式可以看出,翅片几何参数对换热器热力性能的影响毫无例外都是典型的非线性映射关系。作为研究并逼近非线性映射的有力工具,人工神经网络已经日益广泛地被应用在许多工业领域并发挥了巨大的作用[6-8]。 本文以车用中冷器为研究对象,基于人工神经网络方法,研究波纹形式翅片的几何参数对中冷器流动传热性能的影响。将翅片的高度、节距、扭幅和波长作为网络输入,分别建立流动与传热性能预测网络模型,训练优化网络结构,并进行性能预测分析。 1 研究对象及样本数据 1.1 研究对象 本文的研究对象是空-空封条式车用中冷器,其结构如图1a所示,散热带与紊流片交替排列,隔板厚度为0.6 mm,冷热空气通过隔板和翅片进行换热,中冷器芯部尺寸为300×300×70 mm。固定紊流片形式及参数,研究如图1b所示的波纹形散热带的几何参数变化对中冷器热力性能的影响。 1.2 样本数据 根据大量风洞试验结果和仿真结果,整理出36组试验数据,其中前26组用于神经网络的学习训练样本,后10组作为测试样本,样本数据如表1所示。 采用Colburnj和摩擦系数因子f反映换热器的流动传热性能[1]: 式中,Nu为Nusselt数;Pr为Prandtl数;dh为水力直径;ΔpL为沿程压力降;L为沿流动方向长度;ρm为流体平均密度;u为流动速度;下标dh表示特征尺度为水力直径。所有变量均采用标准单位。为了加快网络训练速度并提高预测精度,对输入数据进行归一化预处理:x′=x/12。由于目标输出均在[0,1]之内,所以目标输出数据不进行预处理。 2 神经网络建模及优化 2.1 BP神经网络建模与训练 理论上讲,只要训练样本得当,3层BP神经网络足以逼近任何非线性系统。本文应用Matlab神经网络工具箱,构建了一个基于L-M优化算法的,包含输入层、隐含层和输出层的3层BP网络结构,用以映射翅片的几何参数与换热器性能之间的非线性关系,网络结构如图2所示。 输入层有四个神经元,分别代表翅片的翅高h、节距a、扭幅b和波长l;输出层有两个神经元,分别表示流动阻力特性和传热特性;隐含层的神经元数目n设置为可变,变化范围为3~12,根据训练结果,选取最佳隐层神经元数目。隐层神经元的传递函数为tansig型函数;输出层的传递函数为purelin线性函数。W和V为权值矩阵,b1、b2为阈值向量,x为网络输入,y为网络输出,则网络输入与输出的关系为: 2.1.1 训练参数的确定 当对神经网络进行训练时,网络参数主要包括:输出权值W、V、阈值b、迭代次数d、训练次数m、最大允许误差e、学习率a及动量项η。设定网络每迭代10次(d=10)显示训练误差并设定m≤200;当e≤0.00001时网络停止训练;W、V、b、a和η由L-M算法动态确定并在训练过程中保持最佳。 2.1.2 BP网络训练与优化 取前26个样本对上述BP网络进行训练,表2为隐含层不同神经元数目时的训练误差。由此可见,隐含层神经元数目并非越多越好,综合考虑网络性能和训练速度,本文将隐含层神经元数目确定为4,即n=4。 2.2 RBF神经网络建模与训练 理想情况下,径向基神经网络具有结构自适应确定、输出与初始权值无关等优点。理论上讲,这会在一定程度上弥补了BP网络在确定隐含层神经元数目和选取最优化初始权值等工作上的不足。本文探索采用RBF神经网络预测翅片的几何参数对流动传热性能影响的可行性。 同样建立包含输入层、隐含层和输出层的3层RBF神经网络:输入层神经元为4,分别代表翅片的上述4个几何参数;输出层为2,分别为传热性能因子j和流动阻力因子f;隐含层神经元个数在网络生成训练过程中自主确定。图3为3层径向基函数的结构示意图。隐层和输出层分别采用高斯函数和线性函数作为传递函数。 图3中,输入矢量维数为R=4;径向基隐层神经元的个数为S1;输出层神经元的个数为S2;a1表示隐层神经元的输入矢量;a2表示隐层神经元的输出矢量;W1,1表示隐层神经元的权值矩阵;W2,1表示输出层神经元的权值矩阵;?d?表示输入矢量和权值矢量的距离;b1表示径向基隐层神经元的阈值;b2表示输出层神经元的阈值。 同样采用36个样本数据中的前26个作为生成训练样本。RBF网络生成训练过程中,径向基函数分布密度SPREAD对网络性能影响很大,本文取SPREAD=0.1。 3 热力性能预测分析 3.1 BP网络性能预测 将全部36个样本数据作为预测样本,考察上述训练过的BP网络的预测性能。图4为网络预测值和试验值的趋势比较。分析可知,预测趋势吻合良好,针对换热器的传热性能,训练样本和测试样本的最大误差分别为7 %和9.5 %,平均误差分别为3.2%和4.5%,;针对换热器的流动阻力性能,训练样本和测试样本的最大误差分别为18%和12%,平均误差分别为4.1%和5.3%。实践证明,采用上述BP网络预测波纹形翅片的流动传热性能,除了极少数个别样本外,网络预测值与试验值是非常接近的,完全可以用于本文情况的研究,可以在很大程度上减少试验消耗。 3.2 RBF网络性能预测 将后10个样本数据作为预测样本,考察上述生成的RBF网络的预测性能。图5为传热、流动阻力性能因子的预测误差,横坐标为RBF网络的10个预测样本序号。可以看到,传热因子的最大预测误差为23%,平均误差为13 %;流动阻力性能因子的最大误差为82 %,平均误差为40 %。从预测结果看,上述RBF网络不适用于本文的研究。分析原因,可能是因为在期望目标不连续的情况下,RBF的泛化能力要比BP网络差;对于同样的学习样本,RBF的预测精度不如BP网络。所以,BP网络更适合于本文情况的研究。若要采用RBF网络,则需要从结构上或算法上做根本改变,或大量增加学习样本。 4 结论 (1) 3层BP神经网络可以很好地预测翅片参数对流动传热性能的影响,除了极少数个别样本以外,性能预测值非常接近于试验值。 (2)在相同的学习样本下,3层RBF神经网络的预测效果非常差,根本无法适用于本文的研究情况,并对可能原因进行了分析。 (3)针对本文的研究问题,对于BP网络,测试样本的加入会影响网络对学习样本的预测,但影响不大;对于RBF网络,虽然测试样本不会影响到学习样本的预测,但对测试样本的预测则相差太远。如果要采用RBF网络进行本文情况的研究,则需要对网络结构和算法做根本改变。 参考文献:略 |
| 上一篇：尿素水解换热器的修复和改造 | 下一篇：铝泡沫填充在内管的套管换热器内的流动和传热特性研究 |