一种球床颗粒间角系数的预测方法、系统及存储介质技术方案

本发明专利技术公开了一种球床颗粒间角系数的预测方法、系统及存储介质，涉及角系数计算技术领域。具体步骤包括如下：获取数据集，数据集包括颗粒三维坐标和颗粒间角系数，颗粒三维坐标作为输入数据，颗粒间角系数作为输出数据；将数据集分为80％的训练集、10％的校验集、10％的测试集；建立计算角系数的回归模型，并根据回归模型搭建神经网络模型；将训练集输入至神经网络模型中进行训练，得到预测模型；将球床颗粒之间的坐标输入预测模型得到颗粒间角系数。本发明专利技术快速高效地计算角系数进而计算颗粒间辐射传热，采用MATLAB软件构建了深度神经网络回归模型来拟合球床坐标和角系数之间的关系。系。系。

【技术实现步骤摘要】
一种球床颗粒间角系数的预测方法、系统及存储介质


[0001]本专利技术涉及角系数计算
，更具体的说是涉及一种球床颗粒间角系数的预测方法、系统及存储介质。

技术介绍

[0002]球床高温气冷堆作为第四代堆型中的一种，是在全球核领域内知名的先进堆型，其拥有着固有安全性、近乎零碳排放等诸多优势。在高温气冷堆中球床颗粒间传热关系的分析建模影响着整个堆的运维，因此对球床堆的传热关系建立新型模型更加合理的计算热辐射有效热导率，对球床堆的合理设计和安全运行有着重要意义。
[0003]近年来随着对球床堆热辐射建模的研究与发展，分析的模型也日益增多。对于粒子流动，离散单元法(DEM)可以非常成功地模拟粒子的运动，而CFD
‑
DEM模拟方法已经被广泛运用到气体粒子流动领域。但是，绝大部分对球床热辐射建模的研究都侧重于使用经验公式开发连续多孔模型。而且，作为一种离散微粒模型，短程模型总是需要减少热辐射的长程部分，以简化球面间的角系数的计算。Mehrabian Ramin等人研究了应用于固定床和流动床中的典型短程模型，它只考虑了1.5倍微粒直径的短程辐射部分。在Cheng和Yu的研究中，一个数值模型只计算球床中的一个单一Voronoi层的辐射通量。
[0004]在传统的积分方法或蒙特卡罗方法中，计算从任意球到其周围所有可能球的角系数往往需要较长的时间，这在工程应用上是难以接受的。因此，对本领域技术人员来说，如何快速高效计算角系数进而计算颗粒间辐射传热，是亟待解决的问题。

技术实现思路

[0005]有鉴于此，本专利技术提供了一种球床颗粒间角系数的预测方法、系统及存储介质，快速高效计算角系数进而计算颗粒间辐射传热。
[0006]为了实现上述目的，本专利技术采用如下技术方案：一方面，提供一种基于神经网络的球床颗粒间角系数的预测方法，具体步骤包括如下：
[0007]获取数据集，在限定条件下随机生成颗粒坐标位置并采用GPU加速的数值方法计算对应角系数，所述数据集包括颗粒三维坐标和颗粒间角系数，所述颗粒三维坐标作为输入数据，所述颗粒间角系数作为输出数据；
[0008]将所述数据集分为80％的训练集、10％的校验集、10％的测试集；
[0009]建立计算角系数的回归模型，并根据所述回归模型搭建神经网络模型；
[0010]将所述训练集输入至所述神经网络模型中进行训练，得到预测模型；
[0011]将球床颗粒之间的坐标输入所述预测模型得到颗粒间角系数。
[0012]可选的，所述神经网络模型的表达式为：
[0013]y＝f
(l)
(W
(L)
f
(L
‑
1)
(W
(L
‑
1)
f
(L
‑
2)
(
…
W
(2)
f
(1)
(x))))#
[0014]其中，x为输入的颗粒空间坐标位置，y为角系数，f
(l)
为激活函数，W
(L)
为权重矩阵，L为神经网络的层数。
[0015]可选的，所述激活函数为logsig函数、tansig函数、poslin函数、swish函数中的一种。
[0016]可选的，所述搭建神经网络模型的具体步骤为：
[0017]根据颗粒数量确定神经网络模型输入层的神经元个数，所述神经元即为输入多个颗粒坐标向量的空间维度；
[0018]确定神经网络模型输出层的神经元个数，即角系数，为1个；
[0019]根据实际数据集确定神经网络模型隐藏层的神经元个数和神经网络层数。
[0020]根据实际数据集训练表现确定合适的激活函数
[0021]另一方面，提供一种基于神经网络的球床颗粒间角系数的预测系统，包括数据获取模块、数据分类模块、模型建立模块、训练模块；其中，
[0022]所述数据获取模块，用于获取数据集，所述数据集包括颗粒三维坐标和颗粒间角系数，所述颗粒三维坐标作为输入数据，所述颗粒间角系数作为输出数据；
[0023]所述数据分类模块，用于将所述数据集分为80％的训练集、10％的校验集、10％的测试集；
[0024]所述模型建立模块，用于建立计算角系数的回归模型，并根据所述回归模型搭建神经网络模型；
[0025]所述训练模块，用于将所述训练集输入至所述神经网络模型中进行训练，得到预测模型。
[0026]最后，提供一种计算机存储介质，所述计算机存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现所述的一种基于神经网络的球床颗粒间角系数的预测方法的步骤。
[0027]经由上述的技术方案可知，与现有技术相比，本专利技术公开提供了一种球床颗粒间角系数的预测方法、系统及存储介质，基于神经网络理论采用MATLAB的神经网络框架构建基于神经网络理论的球床辐射传热模型，为高效计算角系数从而计算颗粒间辐射传热提供了新的模型，缩短了角系数计算时间，提高了角系数计算准确性。
附图说明
[0028]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。
[0029]图1为本专利技术的方法流程图；
[0030]图2为本专利技术的系统结构图；
[0031]图3为本专利技术的神经网络结构图；
[0032]图4(a)
‑
图4(c)为本专利技术的三个球不遮挡情况示意图；
[0033]图5(a)为本专利技术2个球坐标数据图；
[0034]图5(b)为本专利技术3个球坐标数据图；
[0035]图5(c)为本专利技术4个球坐标数据图；
[0036]图5(d)为本专利技术5个球坐标数据图；
[0037]图5(e)为本专利技术6个球坐标数据图。
[0038]图6为本专利技术的总体思路图。
具体实施方式
[0039]下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。
[0040]本专利技术实施例1公开了一种基于神经网络的球床颗粒间角系数的预测方法，如图1所示，具体步骤包括如下：
[0041]S1、获取数据集，在限定条件下随机生成颗粒坐标位置并采用GPU加速的数值方法计算对应角系数，数据集包括颗粒三维坐标和颗粒间角系数，颗粒三维坐标作为输入数据，颗粒间角系数作为输出数据；
[0042]S2、将数据集分为80％的训练集、10％的校验集、10％的测试集；
[0043]S3、建立计算本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于神经网络的球床颗粒间角系数的预测方法，其特征在于，具体步骤包括如下：获取数据集，在限定条件下随机生成颗粒坐标位置并采用GPU加速的数值方法计算对应角系数；所述数据集包括颗粒三维坐标和颗粒间角系数，所述颗粒三维坐标作为输入数据，所述颗粒间角系数作为输出数据；将所述数据集分为80％的训练集、10％的校验集、10％的测试集；建立颗粒角系数的回归模型，并根据所述回归模型搭建神经网络模型；将所述训练集输入至所述神经网络模型中进行训练，得到预测模型；将球床颗粒之间的坐标输入所述预测模型得到颗粒间角系数。2.根据权利要求1所述的一种基于神经网络的球床颗粒间角系数的预测方法，其特征在于，所述神经网络模型的表达式为：y＝f
(l)
(W
(L)
f
(L
‑
1)
(W
(L
‑
1)
f
(L
‑
2)
(
…
W
(2)
f
(1)
(x))))#其中，x为输入的颗粒空间坐标位置，y为角系数，f
(l)
为激活函数，W
(L)
为权重矩阵，L为神经网络的层数。3.根据权利要求2所述的一种基于神经网络的球床颗粒间角系数的预测方法，其特征在于，所述激活函数为logsig函数、tansig函数、poslin...

【专利技术属性】
技术研发人员：吴浩，李柏庆，赵后剑，牛风雷，
申请(专利权)人：华北电力大学，
类型：发明
国别省市：