基于GA-BP神经网络的矩形窄通道CHF预测方法技术

本发明专利技术公开了基于GA‑BP神经网络的矩形窄通道CHF预测方法，包括：基于典型矩形窄通道CHF数据，对所述矩形窄通道CHF数据进行采样，并采用窄通道CHF经验关系式，获得部分伪数据，利用实验数据与所述部分伪数据构建CHF数据库；构建BP神经网络模型，基于GA算法优化所述BP神经网络模型，获得初始GA‑BP模型；利用所述CHF数据库中的训练样本对所述初始GA‑BP模型训练，获得优化后的GA‑BP模型；选取所述CHF数据库的数据，输入所述优化后的GA‑BP模型，完成对矩形窄通道CHF的预测。本发明专利技术实现对矩形窄通道CHF的精准预测，提高了GA‑BP神经网络预测精度。

【技术实现步骤摘要】

本专利技术属于矩形窄通道chf预测，尤其涉及基于ga-bp神经网络的矩形窄通道chf预测方法。

技术介绍

1、近年来，随着紧凑模块化的微电子设备和一体化小型模块式反应堆的发展，具有体积优势，流动沸腾换热特性好的矩形窄通道成为了研究热点。由于矩形窄通道的形状与常规圆管不同，表现出的热工特性有所差异，在常规通道得到的研究结论不能简单地类比在窄矩形通道中。临界热流密度(chf)是影响沸腾换热的一个重要参数，对于实现反应堆的优化设计与安全评价至关重要。影响矩形窄通道chf特性的因素有压力、入口过冷度、质量流量，宽高比等。虽然已有学者针对矩形窄通道chf特性做过许多实验，关于不同影响因素方面进行研究，但由于窄通道的材质、厚度，参数测量等的影响，对于获得矩形窄通道较多的数据量比较困难。目前，用于计算矩形窄通道的chf数据的模型很多，大多数基于经验公式，由于实验人员的实验工况，测量误差等方面影响，导致得到的chf值与实际实验的得到的chf值误差较大。机器学习作为一种大众化应用的人工智能科学，现已经广泛的应用于不同的工程领域。wei等使用遗传神经网络(gnn)对矩形窄通道本文档来自技高网...

【技术保护点】

1.基于GA-BP神经网络的矩形窄通道CHF预测方法，其特征在于，包括以下步骤：

2.如权利要求1所述的基于GA-BP神经网络的矩形窄通道CHF预测方法，其特征在于，所述BP神经网络模型包括输入层、隐含层、输出层，且所述输入层与所述隐含层之间及所述隐含层与所述输出层之间设有传递函数。

3.如权利要求2所述的基于GA-BP神经网络的矩形窄通道CHF预测方法，其特征在于，所述输入层为4层，分别为矩形窄通道的实验的压力，入口过冷度，流量与矩形窄通道的长径比；

4.如权利要求3所述的基于GA-BP神经网络的矩形窄通道CHF预测方法，其特征在于，所述BP神经网络...

【技术特征摘要】

1.基于ga-bp神经网络的矩形窄通道chf预测方法，其特征在于，包括以下步骤：

2.如权利要求1所述的基于ga-bp神经网络的矩形窄通道chf预测方法，其特征在于，所述bp神经网络模型包括输入层、隐含层、输出层，且所述输入层与所述隐含层之间及所述隐含层与所述输出层之间设有传递函数。

3.如权利要求2所述的基于ga-bp神经网络的矩形窄通道chf预测方法，其特征在于，所述输入层为4层，分别为矩形窄通道的实验的压力，入口过冷度，流量与矩形窄通道的长径比；

【专利技术属性】
技术研发人员：王恩培，李磊，刘瀚轩，胡政豪，
申请(专利权)人：哈尔滨工程大学，
类型：发明
国别省市：