基于深度学习的传热学反问题识别方法及装置制造方法及图纸

本发明专利技术实施例提供了一种基于深度学习的传热学反问题识别方法及装置，包括：获取内壁面温度云图；将所述内壁面温度云图输入至预设神经网络模型，得到与所述内壁面温度云图对应的待修正参数；其中，所述待修正参数包括对流换热系数，和/或，来流温度，和/或，热源强度；本发明专利技术实施例简化了传热学反问题的流程，将图像化温度数据输入训练好的深度神经网络中，其输出结果即为待修正参数，克服了传统方法中目标函数选取的难度及不适性、初值依赖性，易陷入局部收敛等不足，减少了计算量及运算带来的误差。

【技术实现步骤摘要】
基于深度学习的传热学反问题识别方法及装置
本专利技术涉及热传学反问题
，尤其涉及一种基于深度学习的传热学反问题识别方法及装置。
技术介绍
传热学反问题是相对传热学正问题而言的，是所有反问题当中的一个分支。对于热传导正问题，如果控制方程的物性参数、求解域的几何形状、初始条件和边界条件均已知，则可通过数值方法直接求解温度场。但在很多实际工程问题中，由于测量技术所限，许多条件无法直接获取，因此提出了反问题研究方法。传热反问题则是在缺少一个或多个定解条件的情况下，根据热力学平衡方程和其它已知的定解条件，通过测量研究对象内部(或边界上)一点或多点的温度值(或其随时间的变化)作为补充条件来反演未知的定解参数，求解流程如图1。通常，传热学反问题分为五种类型：第一类是估计热物性参数的反问题。当有一种新材料或几种材料作为传热介质，缺乏热物性参数，估算导热系数、比热等；第二类是估计边界条件的反问题；给定边界上的温度值、给定边界上的热流密度值、给定边界上物体与周围流体间的对流换热系数及周围流体的温度是导热问题的主要三种边界条件。当边界处的温度值、热流密本文档来自技高网...

【技术保护点】
1.一种基于深度学习的传热学反问题识别方法，其特征在于，包括：/n获取内壁面温度云图；/n将所述内壁面温度云图输入至预设神经网络模型，得到与所述内壁面温度云图对应的待修正参数；其中，所述待修正参数包括对流换热系数，和/或，来流温度，和/或，热源强度；所述预设神经网络模型为：利用样本内壁面温度云图作为输入数据，以及与所述样本内壁面温度云图对应的待修正参数作为输出数据，基于深度学习算法训练得到的模型。/n

【技术特征摘要】
1.一种基于深度学习的传热学反问题识别方法，其特征在于，包括：
获取内壁面温度云图；
将所述内壁面温度云图输入至预设神经网络模型，得到与所述内壁面温度云图对应的待修正参数；其中，所述待修正参数包括对流换热系数，和/或，来流温度，和/或，热源强度；所述预设神经网络模型为：利用样本内壁面温度云图作为输入数据，以及与所述样本内壁面温度云图对应的待修正参数作为输出数据，基于深度学习算法训练得到的模型。


2.根据权利要求1所述的基于深度学习的传热学反问题识别方法，其特征在于，所述内壁面温度云图为多通道图像。


3.根据权利要求1所述的基于深度学习的传热学反问题识别方法，其特征在于，还包括：
利用卷积神经网络对待修正参数进行修正，建立温度数据与所述待修正参数之间的映射；其中，所述温度数据为内壁面温度云图表示的图像化温度数据。


4.根据权利要求3所述的基于深度学习的传热学反问题识别方法，其特征在于，所述预设神经网络模型为：利用样本内壁面温度云图作为输入数据，以及与所述样本内壁面温度云图对应的待修正参数作为输出数据，基于深度学习算法训练得到的模型，具体包括：
基于内壁面温度云图样本确定深度学习所需的训练样本和测试样本；
基于所述训练样本和测试样本确定样本生成数目，选定待修正参数并给定参数样本分布范围确定待修正参数样本值；所述参数样本为卷积神经网络的训练集标签；
将待修正参数样本值作为预设神经网络模型的输入参数；
基于ResNet的深度神经网络对训练集做回归学习，确定与所述内壁面温度云图样本对应的待修正参数。


5.一种基于深度学习的传热学反问题识别装置，其特征在于，包括：
获取模块，用于获取内壁面温度云图；
参数结果输出模块，用于将所述内壁面温度云图输入至预设神经网络模型，得到与所述内壁面温度云图对应的待修正参数；...

【专利技术属性】
技术研发人员：邓忠民，孟令子，张鑫杰，
申请(专利权)人：北京航空航天大学，
类型：发明
国别省市：北京;11