一种基于物理约束神经网络的热工水力换热系数预测方法技术

本发明专利技术属于核电站热工水力仿真领域，具体涉及一种基于物理约束神经网络的热工水力换热系数预测方法。包括如下步骤：S1获取训练集和测试集；S2构建物理约束约束神经网络模型，所述物理约束神经网络模型包括神经网络模型本体以及基于自动微分机制构建PDE守恒方程，并分别基于所述神经网络模型本体构建第一类损失函数、基于所述PDE守恒方程构建第二类损失函数；S3基于所述训练集和测试集训练所述物理约束神经网络模型；S4基于训练完毕的所述物理约束神经网络模型预测热工水力换热系数。其优点是：有效地耦合基于物理定律的PDE方程，使得在相对更少的训练集获得更好的训练精度；同时，也提高了训练模型的泛化性，普适性更强。普适性更强。普适性更强。

【技术实现步骤摘要】
一种基于物理约束神经网络的热工水力换热系数预测方法


[0001]本专利技术属于核电站热工水力仿真领域，具体涉及一种基于物理约束神经网络的热工水力换热系数预测方法。

技术介绍

[0002]复杂流体在自然界和工业过程中普遍存在，精确地模拟流体基本传热行为在化工、热力和航空航天等诸多学科领域的研究中不可或缺。通常，研究人员需要测量大量的实验数据(例如温度、速度、压力等)来构建模型，以便进行参数分析、性能表征和模型优化等工作。传统的机器学习方法(深度/卷积/递归神经网络)可以最大化利用上述数据蕴含的信息，构建高保真的传热模型以准确描述“输入—输出”间关联关系，进而可用于状态监视、产品质量控制和风险预测。但是，对于大部分具有微观、封闭特征的复杂换热器件(如：微尺度换热器和高温辐射换热器)，其内部物理场的关键信息数据的测量成本高昂甚至难以测量，研究人员往往需要在数据稀疏的小数据条件下构建模型或者做出决策，这导致绝大多数传统机器学习方法缺乏鲁棒性，无法提供收敛的保证。另外，需要注意的是换热器件内部流体系统通常受高度非线性的PDE方程组控制，物理约束间受到基本本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于物理约束神经网络的热工水力换热系数预测方法，其特征在于，包括如下步骤：S1获取训练集和测试集；S2构建物理约束约束神经网络模型，所述物理约束神经网络模型包括神经网络模型本体以及基于自动微分机制构建PDE守恒方程，并分别基于所述神经网络模型本体构建第一类损失函数、基于所述PDE守恒方程构建第二类损失函数；S3基于所述训练集和测试集训练所述物理约束神经网络模型；S4基于训练完毕的所述物理约束神经网络模型预测热工水力换热系数。2.根据权利要求1所述的一种基于物理约束神经网络的热工水力换热系数预测方法，其特征在于，步骤S1中，获取训练集和测试集包括如下步骤：S11从高可信模拟或实验中收集数据x
k
；x表示流场特征变量S12基于PDE求解数据准备训练目标集Y＝f(x)；S13从所述数据x
k
；以及所述训练目标集Y＝f(x)中选择合适的数据，并对选中的数据分别进行降维处理，以作为所述物理约束神经网络模型的训练集和测试集。3.根据权利要求2所述的一种基于物理约束神经网络的热工水力换热系数预测方法，其特征在于：步骤S11中，对于收集数据x
k
；进行预处理，以确保从各种来源获取的数据是在维度和取平均的操作方法上与守恒方程一致；步骤S11中，对于大型数据集，还采用主成分分析(PCA)来减少数据的维度。4.根据权利要求2所述的一种基于物理约束神经网络的热工水力换热系数预测方法，其特征在于，步骤S13中，对收集的训练集和测试集的数据分别进行归一化处理；将所述数据集中的各特征分别减去其均值并除以方差。5.根据权利要求1所述的一种基于物理约束神经网络的热工水力换热系数预测方法，其特征在于：所述PDE守恒方程包括质量守恒方程与能量守恒方程，所述质量守恒方程为：所述质量守恒方程为：所述能量守恒方程为所述能量守恒方程为其中，横截面积A、压力P、液体内能u
f
、气体内能u
g
，体积分数α
f
，空泡份额α
g
、不可凝气体(空气)质量分数X
n
、气相流速v
g
、液相流速v
f
、壁面传热量Q
W
、气相密度ρ
...

【专利技术属性】
技术研发人员：熊琰，谭超，李飞，谢政权，
申请(专利权)人：中核武汉核电运行技术股份有限公司，
类型：发明
国别省市：