制冷系统部件神经网络模型的改进研究

制冷系统部件神经网络模型的改进研究

ID:33193641

大小:607.26 KB

页数:50页

时间:2019-02-21

制冷系统部件神经网络模型的改进研究_第1页
制冷系统部件神经网络模型的改进研究_第2页
制冷系统部件神经网络模型的改进研究_第3页
制冷系统部件神经网络模型的改进研究_第4页
制冷系统部件神经网络模型的改进研究_第5页
资源描述:

《制冷系统部件神经网络模型的改进研究》由会员上传分享,免费在线阅读,更多相关内容在学术论文-天天文库

1、上海交通大学硕士学位论文制冷系统部件神经网络模型的改进研究姓名:赵灵晓申请学位级别:硕士专业:制冷与低温工程指导教师:谷波;张春路20061201申请上海交通大学硕士学位论文制冷系统部件神经网络模型的改进研究摘要制冷系统的主要部件包括压缩机、节流元件和换热器等,本文在前人的基础上,分别建立了制冷系统各个主要部件的神经网络模型,包括蒸发器水平光滑管内制冷剂沸腾换热系数的神经网络(ANN)模型,绝热毛细管和短管流量特性的通用神经网络模型和压缩机性能参数的神经网络关联模型。在本文中,所有模型均采用三层感知器神经网络也就是BP神经网络作为万能函数逼近器。制冷剂的流动

2、沸腾换热系数的正确预测对于蒸发器的设计是非常重要的。第三章建立了R22及其替代工质R134a、R407C和R410A在水平光滑管内的沸腾换热系数的通用神经网络模型。该ANN模型的输入参数借鉴了四种现存的通用关联式模型,同时将Nusselt数作为输出参数。ANN的训练数据来自于文献中的实验数据,经过大量的分析比较以及网络泛化能力分析,最终输入参数组合借鉴了Gungor-Winterton关联式形式,并确定三层前向神经网络的结构。和实验值相比,该ANN模型的平均误差、绝对平均误差和均方差分别为2.5%、13.0%和20.3%,同时大约74%的数据点的误差在±20

3、%之内,明显优I申请上海交通大学硕士学位论文于现存的通用关联式。在小型制冷系统和空调系统中,毛细管和短管是常用的节流元件。在第四章中首先建立了绝热毛细管内制冷剂流量的通用ANN模型(模型Ⅰ),该模型可以涵盖过冷入口和两相入口;然后建立了毛细管和短管内制冷剂流量的通用ANN模型(模型Ⅱ)。本章基于均相流模型(HEM)提出了一组新的无量纲参数组作为这两个ANN模型的输入参数。模型Ⅰ的模拟数据来自于HEM计算的大量数据,选取R600a和R407C作为训练数据建立的5-6-1型的ANN模型Ⅰ显示了很好的通用性,可以很好地预测R12、R22、R134a、R290、R4

4、10A和R404A的数据。同时,模型Ⅰ对于文献中的实验数据的预测也很好,绝大多数数据的误差都在±10%以内。模型Ⅱ的训练数据来自于文献中的大量实验数据,包括R12、R22、R134a、R404A、R407C、R410A和R600a,这些数据涵盖毛细管和短管的结构尺寸以及过冷和两相入口工况。结果显示5-2-1的ANN模型Ⅱ可以很好地预测毛细管和短管内制冷剂流量,包括过冷和两相入口工况,具有更好的通用性。和实验值相比,模型Ⅱ整体平均误差和标准差分别为0.75%和8.27%。压缩机是制冷系统的核心部件。第五章建立了压缩机性能参数的ANN模型,包括定频压缩机模型和变

5、频压缩机模型。借鉴ARI模型II申请上海交通大学硕士学位论文选取了冷凝温度和蒸发温度作为ANN的输入参数,选取相关的重要性能参数作为输出参数。考虑到压缩机性能数据之间的线性关系,本章的ANN没有直接采用MATLAB中提供的传递函数作为隐层传递函数而是单独建立了一个简单两次多项式作为新的传递函数。经过分析验证,三次ANN模型和ARI模型具有等价性。而本文采用两次传递函数的2-3-4结构的定频ANN、2-4-4结构的变频ANN不仅能体现输出参数之间的内在联系性,而且和ARI模型数据以及实验值相比具有很好的精度,平均误差接近于0,而标准差也低于或接近于1%。总而言

6、之,本文建立的几种制冷系统部件的神经网络模型相比于传统模型具有较高的精度,同时很好地提高了传统模型的通用性,适用范围更广。关键词:制冷剂、神经网络、沸腾换热系数、质量流量、无量纲参数、性能参数III申请上海交通大学硕士学位论文RESEARCHONMODIFIEDANNMODELSFORCOMPONENTSOFREFRIGERATIONSYSTEMABSTRACTMaincomponentsofrefrigerationsystemincludecompressor,expansiondevice,andheattransfercomponentsandsoo

7、n.Thisthesisdevelopedseveralartificialneuralnetworks(ANN)ofthesemaincomponents,includingageneralizedneuralnetworkcorrelationforboilingheattransfercoefficientrefrigerantsinsidehorizontalsmoothtube,generalizedneuralnetworkcorrelationsofrefrigerantmassflowratethroughadiabaticcapillary

8、andshorttubes,andgeneraliz

当前文档最多预览五页,下载文档查看全文

此文档下载收益归作者所有

当前文档最多预览五页,下载文档查看全文
温馨提示:
1. 部分包含数学公式或PPT动画的文件,查看预览时可能会显示错乱或异常,文件下载后无此问题,请放心下载。
2. 本文档由用户上传,版权归属用户,天天文库负责整理代发布。如果您对本文档版权有争议请及时联系客服。
3. 下载前请仔细阅读文档内容,确认文档内容符合您的需求后进行下载,若出现内容与标题不符可向本站投诉处理。
4. 下载文档时可能由于网络波动等原因无法下载或下载错误,付费完成后未能成功下载的用户请联系客服处理。