中文核心期刊
中国科技论文统计源期刊
国际刊号:1005-2615
国内刊号:32-1429/V
用户登录
  E-mail:  
  密  码:  
  作者 审稿  
  编辑 读者  
期刊向导
联系方式ʽ
  • 主管:工业和信息化部
  • 主办:南京航空航天大学
  • 国际刊号:1005-2615
  • 国内刊号:32-1429/V
  • 地址:南京市御道街29号
  • 电话:025-84892726
  • 传真:025-84892726
  • E-mail:tnc01@nuaa.edu.cn
  • 邮编:210016
陈亚琴,彭浩,冯诗愚.基于人工神经网络的微重力流动冷凝换热预测[J].南京航空航天大学学报,2021,53(6):989-995
基于人工神经网络的微重力流动冷凝换热预测
Prediction of Flow Condensation Heat Transfer Under Microgravity Based on Artificial Neural Network
投稿时间:2021-02-12  修订日期:2021-05-10
DOI:10.16356/j.1005-2615.2021.06.019
中文关键词:  微重力  流动冷凝  换热系数  反向传播神经网络  径向基函数神经网络
英文关键词:microgravity  flow condensation  heat transfer coefficient  back propagation neural network  radial basis function neural network
基金项目:上海市自然科学基金(19ZR1422300) 资助项目。
作者单位邮编
陈亚琴 上海海事大学航运仿真技术教育部工程研究中心上海 201306 201306
彭浩 上海海事大学航运仿真技术教育部工程研究中心上海 201306 201306
冯诗愚 南京航空航天大学航空学院飞行器环境控制与生命保障工业和信息化部重点实验室南京 210016 210016
摘要点击次数: 92
全文下载次数: 112
中文摘要:
      微重力条件下管内流动冷凝换热系数是空间热交换器设计的基础依据,但其实验数据稀缺,故有必要建立精确的预测模型。文中提出了一种基于人工神经网络的微重力下管内流动冷凝换热预测模型。选取误差反向传播(Back propagation, BP)和径向基函数(Radial basis function RBF)两种神经网络,以水力直径、饱和温度、质流密度、干度及与工质热物性有关的参数作为网络输入,冷凝换热系数作为网络输出。结果显示,BP神经网络预测的均方根误差为237、平均绝对百分误差为4.32%;RBF神经网络预测的均方根误差为165、平均绝对百分误差为2.35%。相对于BP神经网络,RBF神经网络精度更高。基于RBF神经网络的微重力下管内流动冷凝换热模型预测值与94%的实验值和数值模拟结果的相对误差在±10%以内。
英文摘要:
      Heat transfer coefficients of flow condensation under microgravity are the basis for design of aerospace heat exchanger, but their experimental data are scarce; thus it is necessary to establish an accurate prediction model. In the present study, a prediction model of flow condensation heat transfer under microgravity is established based on artificial neural network. Two kinds of neural networks, i.e. back propagation (BP) and radial basis function (RBF) are adopted; the hydraulic diameter, saturation temperature, mass flux, vapor quality and parameter related to fluid thermophysical properties are used as network inputs, while the condensation heat transfer coefficient is taken as network output. The results show that for BP neural network model, the root mean square error (RMSE) and mean absolute percent error (MAPE) are 237 and 4.32%, respectively; while for RBF neural network model, RMSE and MAPE are 165 and 2.35%, respectively. Compared with BP neural network, RBF neural network has the higher accuracy. The flow condensation heat transfer cofficients predicted by RBF neural network model agree with 94% of experimental data and numerical results within the deviation of ±10%.
[HTML]  查看全文  查看/发表评论  下载PDF阅读器
关闭

Copyright @2010-2015《南京航空航天大学学报》编辑部

地址:南京市御道街29号        邮编:210016

电话:025-84892726      传真:025-84892726       E-mail:tnc01@nuaa.edu.cn

您是本站第4029382位访问者 本站今日一共被访问948

技术支持:北京勤云科技发展有限公司

敬请关注《南航学报》官方微信