【技術實現步驟摘要】
本專利技術屬于印刷電路板式換熱器制造相關，更具體地，涉及一種帶有頂部間隙的印刷電路板式換熱器的翼型翅片結構多目標優化方法及設備。
技術介紹
1、全球不斷增長的能源需求加劇了全球變暖、空氣污染和臭氧消耗，因此對高效綠色能源轉換系統的需求逐漸增加。超臨界二氧化碳布雷頓循環展現出美好的能源前景。然而，由于超臨界工況下高壓和高溫的工作條件,傳統換熱器已難以有效滿足上述要求，一種被稱為印刷電路換熱器(pche)的新型換熱器能夠滿足高壓高溫系統的需求，并具備高安全性、高緊湊性和高效率等特點。與傳統的機械加工和焊接工藝相比，pche主要采用化學蝕刻和擴散鍵合兩種技術。通過在金屬板上進行化學蝕刻形成通道，然后將這些蝕刻板堆疊在一起，并通過擴散焊接使其轉化為一個整體。因此，pche能夠適應超臨界二氧化碳布雷頓循環極端的高溫高壓工作環境。
2、pche內通道類型一般分為兩類：連續型和非連續型。連續型通道主要有直通道、z型通道、sin型通道，通道截面形狀主要有半圓形、矩形、三角形及梯形。非連續型通道主要包括s型通道和翼型通道。翅片主要通過增大傳熱面積和增強流體擾動來改善換熱器的流動與換熱特性。其中翼型翅片pche相較其他形狀翅片展現出優異的流動換熱性能。
3、翼型翅片pche具有不同的通道形式。為獲得pche通道內翼型翅片的最佳幾何參數，目前現有研究主要針對翼型翅片排布參數(水平距離、垂直距離、交錯距離)，而鮮有對頂部間隙進行研究。不同頂部間隙的pche具有不同的流動與換熱性能。本專利技術在不改變通道高度的前提下改變翅片頂部間
技術實現思路
1、針對現有技術的以上缺陷或改進需求，本專利技術提供了一種帶有頂部間隙的印刷電路板式換熱器的翼型翅片結構多目標優化方法及設備，旨在找到具有優異綜合性能的翼型翅片phce的幾何參數。
2、為實現上述目的，按照本專利技術的一個方面，提供了一種帶有頂部間隙的印刷電路板式換熱器的翼型翅片結構多目標優化方法，該方法包括以下步驟：
3、s1，獲取帶有頂部間隙的印刷電路板式換熱器pche中翼型翅片的幾何參數，所述幾何參數包括水平距離lh、交錯距離ls、垂直距離lv及間隙距離lg；
4、s2，將所述翼型翅片的幾何參數無量綱化以得到優化設計變量，所述優化設計變量包括水平數ζh、交錯數ζs、垂直數ζv及間隙數ζg；
5、s3，對所述優化設計變量進行試驗設計及數值仿真以得到樣本集；
6、s4，將所述樣本集中的訓練集輸入神經網絡進行訓練以得到pche體積換熱系數hv對應的第一目標代理模型和pche阻力系數f對應的第二目標代理模型；
7、s5，以ζh、ζs、ζv和ζg為優化變量，最大化hv和最小化f為優化目標，采用多目標優化算法對所述第一目標代理模型和所述第二目標代理模型尋優得到流動性能與傳熱性能的pareto最優前沿；
8、s6，使用多目標決策方法從所述pareto最優前沿選擇折衷方案的變量以確定最佳優化方案。
9、進一步地，利用翼型翅片弦長lc和通道高度lz定義了翼型翅片無量綱化幾何參數；所述水平數為：所述交錯數為：所述垂直數為所述間隙數為
10、進一步地，隨著翼型翅片頂部間隙以及排布方式的改變，pche的三維模型的長度、寬度和高度需滿足以下約束條件：
11、
12、式中，lx表示通道長度，ly表示通道寬度，lz表示通道高度，lh表示翼型的水平距離、ls表示翼型的交錯距離、lv表示翼型的垂直距離、lg表示翼型的間隙距離，lc表示翼型弦長，lt表示翼型厚度，i、j、k、m均為正整數。
13、進一步地，采用最優拉丁超立方設計對所述優化變量在設計空間內采集樣本點進行模擬仿真以得到訓練集和測試集；所述訓練集用于對神經網絡進行訓練，所述測試集用于對神經網絡進行精度測試。
14、進一步地，所述第一目標代理模型和所述第二目標代理模型為：pso-bp神經網絡。
15、進一步地，pso-bp神經網絡的輸入層包含4個神經元，分別為水平數ζh、交錯數ζs、垂直數ζv和間隙數ζg，輸出層包含一個神經元；使用pso-bp神經網絡對體積換熱系數hv和阻力系數f分別進行訓練。
16、進一步地，使用均方誤差定量評估神經網絡的預測性能；利用改進粒子群優化算法對bp神經網絡進行改進的過程包括：首先，通過優化粒子群算法的權值和學習因子，得到改進后的粒子群算法；然后，將代理模型的初始權值和閾值編碼成粒子，并獲取適應度最小值對應的最優初始權值和閾值，最后將其賦值給代理模型。
17、進一步地，步驟s5之后，步驟s6之前，所述方法還包括步驟：對所述最大化hv、最小化f、pf值最大方案對應的單目標最優解以及vikor和topsis兩種折衷方案進行仿真模擬驗證；若五種方案對應的hv和f代理模型預測值與仿真模擬結果的相對誤差大于誤差閾值，則補充所述訓練集的樣本數，重復步驟s4-s6直至所述相對誤差滿足精度要求；將滿足精度要求的vikor和topsis折衷方案對應的變量ζh、ζs、ζv和ζg作為所述pche翼型翅片的最佳設計參數；其中，優化得到的帶有頂部間隙的印刷電路板式換熱器的翼型翅片結構的翅片頂部和通道壁面之間存在間隙，且間隙數滿足0<ζg<0.15。
18、本專利技術還提供了一種帶有頂部間隙的印刷電路板式換熱器的翼型翅片結構多目標優化系統，所述系統包括存儲器及處理器，所述存儲器儲存有計算機程序，所述處理器執行所述計算機程序時執行如上所述的帶有頂部間隙的印刷電路板式換熱器的翼型翅片結構多目標優化方法。
19、本專利技術還提供了一種計算機可讀存儲介質，所述計算機可讀存儲介質存儲有機器可執行指令，所述機器可執行指令在被處理器調用和執行時，所述機器可執行指令促使所述處理器實現如上所述的帶有頂部間隙的印刷電路板式換熱器的翼型翅片結構多目標優化方法。
20、總體而言，通過本專利技術所構思的以上技術方案與現有技術相比，本專利技術提供的帶有頂部間隙的印刷電路板式換熱器的翼型翅片結構多目標優化方法及設備主要具有以下有益效果：
21、1.設計帶有頂部間隙的翼型翅片pche，可以顯著減小流動過程中的阻力，同時增大換熱面積，并且在通道內形成渦流結構，加速冷熱流體的混合，進一步強化換熱。當具有較小頂部間隙的結構時，phce具有較為優異的熱工水力性能。
22、2.本專利技術通過調整翼型翅片頂部間隙，并對頂部間隙進行無量綱化本文檔來自技高網...
【技術保護點】
1.一種帶有頂部間隙的印刷電路板式換熱器的翼型翅片結構多目標優化方法，其特征在于，該方法包括以下步驟：
2.如權利要求1所述的帶有頂部間隙的印刷電路板式換熱器的翼型翅片結構多目標優化方法，其特征在于：基于翼型翅片弦長Lc和通道高度Lz定義了翼型翅片無量綱化幾何參數；所述水平數為：所述交錯數為：所述垂直數為所述間隙數為
3.如權利要求1所述的帶有頂部間隙的印刷電路板式換熱器的翼型翅片結構多目標優化方法，其特征在于：PCHE的三維模型的長度、寬度和高度需滿足以下約束條件：
4.如權利要求1所述的帶有頂部間隙的印刷電路板式換熱器的翼型翅片結構多目標優化方法，其特征在于：采用最優拉丁超立方設計對所述優化變量在設計空間內采集樣本點進行模擬仿真以得到訓練集和測試集；所述訓練集用于對神經網絡進行訓練，所述測試集用于對神經網絡進行精度測試。
5.如權利要求1-4任一項所述的帶有頂部間隙的印刷電路板式換熱器的翼型翅片結構多目標優化方法，其特征在于：所述第一目標代理模型和所述第二目標代理模型為：PSO-BP神經網絡。
6.如權利要求5所述的
7.如權利要求6所述的帶有頂部間隙的印刷電路板式換熱器的翼型翅片結構多目標優化方法，其特征在于：使用均方誤差定量評估神經網絡的預測性能；利用改進粒子群優化算法對BP神經網絡進行改進的過程包括：首先，通過優化粒子群算法的權值和學習因子，得到改進后的粒子群算法；然后，將代理模型的初始權值和閾值編碼成粒子，并獲取適應度最小值對應的最優初始權值和閾值，最后將其賦值給代理模型。
8.如權利要求1-4任一項所述的帶有頂部間隙的印刷電路板式換熱器的翼型翅片結構多目標優化方法，其特征在于：步驟S5之后，步驟S6之前，所述方法還包括以下步驟：對所述最大化hv、最小化f、PF值最大方案對應的單目標最優解以及VIKOR和TOPSIS兩種折衷方案進行仿真模擬驗證；若五種方案對應的hv和f代理模型預測值與仿真模擬結果的相對誤差大于誤差閾值，則補充所述訓練集的樣本數，重復步驟S4-S6直至所述相對誤差滿足精度要求；將滿足精度要求的VIKOR和TOPSIS折衷方案對應的變量ζh、ζs、ζv和ζg作為所述PCHE翼型翅片的最佳設計參數；其中，優化得到的帶有頂部間隙的印刷電路板式換熱器的翼型翅片結構的翅片頂部和通道壁面之間存在間隙，且間隙數滿足0<ζg<0.15。
9.一種帶有頂部間隙的印刷電路板式換熱器的翼型翅片結構多目標優化系統，其特征在于：所述系統包括存儲器及處理器，所述存儲器儲存有計算機程序，所述處理器執行所述計算機程序時執行權利要求1-8任一項所述的帶有頂部間隙的印刷電路板式換熱器的翼型翅片結構多目標優化方法。
10.一種計算機可讀存儲介質，其特征在于：所述計算機可讀存儲介質存儲有機器可執行指令，所述機器可執行指令在被處理器調用和執行時，所述機器可執行指令促使所述處理器實現權利要求1-8任一項所述的帶有頂部間隙的印刷電路板式換熱器的翼型翅片結構多目標優化方法。
...【技術特征摘要】
1.一種帶有頂部間隙的印刷電路板式換熱器的翼型翅片結構多目標優化方法，其特征在于，該方法包括以下步驟：
2.如權利要求1所述的帶有頂部間隙的印刷電路板式換熱器的翼型翅片結構多目標優化方法，其特征在于：基于翼型翅片弦長lc和通道高度lz定義了翼型翅片無量綱化幾何參數；所述水平數為：所述交錯數為：所述垂直數為所述間隙數為
3.如權利要求1所述的帶有頂部間隙的印刷電路板式換熱器的翼型翅片結構多目標優化方法，其特征在于：pche的三維模型的長度、寬度和高度需滿足以下約束條件：
4.如權利要求1所述的帶有頂部間隙的印刷電路板式換熱器的翼型翅片結構多目標優化方法，其特征在于：采用最優拉丁超立方設計對所述優化變量在設計空間內采集樣本點進行模擬仿真以得到訓練集和測試集；所述訓練集用于對神經網絡進行訓練，所述測試集用于對神經網絡進行精度測試。
5.如權利要求1-4任一項所述的帶有頂部間隙的印刷電路板式換熱器的翼型翅片結構多目標優化方法，其特征在于：所述第一目標代理模型和所述第二目標代理模型為：pso-bp神經網絡。
6.如權利要求5所述的帶有頂部間隙的印刷電路板式換熱器的翼型翅片結構多目標優化方法，其特征在于：pso-bp神經網絡的輸入層包含4個神經元，分別為水平數ζh、交錯數ζs、垂直數ζv和間隙數ζg，輸出層包含一個神經元；使用pso-bp神經網絡對體積換熱系數hv和阻力系數f分別進行訓練。
7.如權利要求6所述的帶有頂部間隙的印刷電路板式換熱器的翼型翅片結構多目標優化方法，其特征在于：使用均方誤差定量評估神經網絡的預測性能；利用改進粒子群優化算法對bp神經網...
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。