【技术实现步骤摘要】
本专利技术属于统计物理和计算机科学交叉领域，具体的说是一种基于机器学习的沸腾危机气泡临界填充因子预测方法。
技术介绍
1、沸腾是一种非常有效的传热过程，广泛应用于热管理，例如在发电站和高功率密度电子设备中。沸腾的主要弱点是沸腾危机的不稳定性，当热通量达到临界时会触发，这种现象与从表面上有离散气泡的核沸腾状态突然转变为薄膜沸腾状态(稳定的蒸气层覆盖整个加热表面)相一致，这样的层会导致排热过程急剧恶化，从而导致加热器温度潜在的灾难性升高。因此，了解并预测沸腾危机是许多热系统安全性和经济性的理想目标。研究结果表明，沸腾危机的临界行为可能是连续圆盘渗流相变过程的结果。
2、渗流是表示连续相变的最简单的统计物理模型之一，其特征是单个参数，即占有概率p。在二维晶格渗流中，如果在随机占据的晶格中存在生成簇，则构成渗流；在连续圆盘渗流中，簇表示圆盘之间的交叉点或渗透，如果有一簇圆盘跨越边界相交，则构成渗流。目前，大多数关于连续圆盘渗流的实验研究都集中在相同半径的圆盘上。然而，相同半径的圆盘渗流不能满足所有真实世界系统的模拟要求。半径遵循泊松分布，由于圆盘大小分布的随机性，可以更好地模拟现实中的一些渗流系统，比如沸腾危机。
3、目前，对渗流的研究大多采用传统的蒙特卡罗模拟方法，神经网络可以训练和分类不同阶段的图像，并可以学习甚至预测临界阈值，以产生比传统方法更准确的解决方案。但却难以存在一种机器学习方法用于对连续圆盘渗流的临界填充因子产生准确的预测。resnet18网络通过输入40000种不同的沸腾气泡样本进行训练，输出分
技术实现思路
1、本专利技术是为了解决上述现有技术存在的不足之处，提出一种基于机器学习的沸腾危机气泡临界填充因子预测方法，以期能准确预测出沸腾气泡位形的临界填充因子，从而能提高临界填充因子的预测精度，并能降低时间复杂度和分类的误差。
2、本专利技术为达到上述专利技术目的，采用如下技术方案：
3、本专利技术一种基于机器学习的沸腾危机气泡临界填充因子预测方法的特点在于，是按如下步骤进行：
4、步骤1、沸腾气泡样本数据的获取和预处理：
5、步骤1.1、从连续圆盘渗流模型中获取沸腾气泡图像样本数据集其中，表示气泡个数为n的图像样本集，且bn,i表示图像样本集中第i个样本，w为图像样本集中的样本总数，n为图像样本集中的最大气泡个数，n服从1到n的均匀分布；
6、步骤1.2、根据式(1)计算图像样本集的填充因子ηn＝{ηn,i|i＝1,2,…,w}：
7、
8、式(1)中，rj表示第j个气泡的半径长度；ai为第i个样本bn,i的边长，r为气泡的半径，且r服从泊松分布；ηn,i表示第i个样本bn,i的填充因子；
9、步骤1.3、计算图像样本集中第i个样本bn,i的第二大团簇面积sn,i；
10、步骤1.4、合并中w个样本的填充因子和第二大团簇面积后，得到气泡个数为n的合并样本集从而得到沸腾气泡合并样本数据集
11、步骤2、使用蒙特卡洛模拟计算p+的临界填充因子ηc：
12、步骤2.1、计算的填充因子以及的平均第二大团簇面积并根据填充因子，对q+进行升序排序，得到排序后的合并样本数据集其中，表示气泡个数为n的排序后的合并样本集，且表示的填充因子，表示的平均第二大团簇面积；
13、步骤2.2、对和进行曲线绘制，并计算曲线上极值点的临界填充因子ηc；
14、步骤3、根据ηn,i是否大于ηc，设置气泡个数为n的样本集中第i个样本bn,i的标签；
15、步骤4、建立沸腾危机分类网络，依次包括：特征提取器和标签分类器：
16、步骤4.1、搭建特征提取器由卷积神经网络模块和全连接网络模块构成：
17、步骤4.1.1、所述卷积神经网络模块由一个卷积层，一个最大池化层，一个扁平化层依次构成；
18、所述第i个图像样本bn,i输入卷积层中进行处理，并输出气泡初始特征图bn,i后，再输入最大池化层中进行降采样，并输出降采样后的特征图b′n,i；再利用扁平化层将特征图b′n,i转化为特征向量fn,i；
19、步骤4.1.2、所述全连接网络模块由若干个处理块依次组成，每个处理块依次包括全连接层fc1、激活函数relu、l2正则化层；
20、所述特征向量fn,i依次经过所述处理块的处理后，得到气泡最终特征图fn,i；
21、步骤4.2、搭建标签分类器由一个全连接层和一个激活函数构成，并对fn,i进行处理后，得到归一化后的沸腾危机气泡二分类预测标签pn,i；
22、步骤5、利用式(3)构建二分类交叉熵损失函数loss：
23、
24、其中flagn,i表示样本bn,i的真实标签，pn,i表示样本bn,i的预测标签；
25、基于沸腾气泡图像样本数据集利用梯度下降法对沸腾危机分类网络进行迭代训练，并计算二分类交叉熵损失函数loss以更新网络参数，当训练迭代次数达到设定的次数时或所述二分类交叉熵损失函数loss收敛时，训练停止，从而得到最优沸腾危机气泡分类模型；
26、步骤6、利用最优沸腾危机气泡分类模型对临界填充因子η′c的预测：
27、步骤6.1、创建临界填充因子为{ηc-dδη,…,ηc-δη,ηc+δη…,ηc+dδη}的沸腾气泡图像，并得到图像样本测试集其中，表示临界填充因子为ηc-(d-k)δη的图像样本集，且bk,i表示图像样本集中第i个样本，d表示临界区间的大小，d＝2d表示不同填充因子的总数；δη表示填充因子间隔大小；
28、步骤6.2、将r+输入最优沸腾危机气泡分类模型，得到预测标签为1的概率和预测标签为0的概率其中，和分别表示的预测标签为0和1的平均概率；
29、对y1+和y2+进行曲线绘制，并计算曲线上交点的填充因子η′c。
30、本专利技术一种电子设备，包括存储器以及处理器的特点在于，所述存储器用于存储支持处理器执行所述方法的程序，所述处理器被配置为用于执行所述存储器中存储的程序。
31、本专利技术一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序的特点在于，所述计算机程序被处理器运行时执行所述方法的步骤。
32、与现有技术相比，本专利技术的有益效果在于：
33、本专利技术采用机器学习预测沸腾危机气泡临界填充因子，并构建了特征提取器模块和标签分类器模块，用于提取沸腾气泡位形的加权和分类的特征，从而获得沸腾气泡位形是否发生渗流的标签，并得到准确度最优的沸腾危机分类模型，从而解决了现有机器学习技术无法分类或低准确率分类连续圆盘渗流位形本文档来自技高网...
【技术保护点】
1.一种基于机器学习的沸腾危机气泡临界填充因子预测方法，其特征在于，是按如下步骤进行：
2.一种电子设备，包括存储器以及处理器，其特征在于，所述存储器用于存储支持处理器执行权利要求1所述方法的程序，所述处理器被配置为用于执行所述存储器中存储的程序。
3.一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，其特征在于，所述计算机程序被处理器运行时执行权利要求1所述方法的步骤。
【技术特征摘要】
1.一种基于机器学习的沸腾危机气泡临界填充因子预测方法，其特征在于，是按如下步骤进行：
2.一种电子设备，包括存储器以及处理器，其特征在于，所述存储器用于存储支持处理器执行权利要求1所述方法的程...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。