(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111089040.4 (22)申请日 2021.09.16 (71)申请人 武汉科技大 学 地址 430081 湖北省武汉市青山区和平大 道947号 (72)发明人 汪朝晖　程自强　范益伟　江荣　 孙笑　高全杰　 (74)专利代理 机构 武汉红观 专利代理事务所 (普通合伙) 42247 代理人 王昌亮 (51)Int.Cl. G06F 30/17(2020.01) G06F 30/27(2020.01) G06F 30/28(2020.01) G06N 3/12(2006.01)G06F 111/10(2020.01) (54)发明名称 一种基于BP神经网络的自激振荡换热管协 同优化方法 (57)摘要 本发明提出了一种基于BP神经网络的自激 振荡换热管协同优化方法。 本发 明通过确定自激 振荡换热管初始设计参数和响应目标， 然后通过 正交试验设计和数值模拟得到样 本点数据库， 再 利用BP神经网络模型对样本点数据库进行训练 和预测， 将BP神经网络模型预测的结果作为 NSGA‑II算法的适应度函数， 最后联合NSGA ‑II算 法和信息熵加权的TOPSIS决策方法协同优化得 到最优解。 本发明大大减少了优化参数所需时 间， 能够得到自激振荡换热管设计变量和目标函 数之间的高度非线性映射关系， 并且 可以准确且 高效的寻找到全局最优解。 权利要求书3页 说明书7页 附图4页 CN 113886980 A 2022.01.04 CN 113886980 A 1.一种基于BP神经网络的自激振荡换热管协同优化方法， 其特征在于， 所述基于BP神 经网络的自激振荡 换热管协同优化方法包括以下步骤： S1， 确定自激振荡 换热管初始设计参数和响应目标， 继续执 行步骤S2； S2， 通过正交试验设计和数值模拟得到样本点数据库， 继续执 行步骤S3； S3， 构建BP神经网络模型， 通过BP神经网络模型对所述样本点数据库进行训练和预测； S4， 将所述预测结果作为 NSGA‑II算法的适应度函数， 继续执 行步骤S5； S5， 通过NSGA ‑II算法对所述适应度函数进行优化， 生成Pareto前沿解， 继续执行步骤 S6； S6， 通过信息熵加权的TOPSIS决策方法对Pareto前沿解进行排序， 得到最优解， 继续执 行步骤S7； S7， 通过CFD验证所述 最优解是否为全局最优解。 2.如权利要求1所述的一种基于BP神经网络的自激振荡换热管协同优化方法， 其特征 在于， 所述 步骤S1具体包括： 选取自激振荡腔室的无量纲结构参数作为初始设计参数， 分别为自激振荡换热管出入 口直径比d2/d1， 腔室碰撞壁夹角α和腔室长径比LT/DT； 根据换热管的性能指标确定响应 目 标为努塞尔数Nu和摩擦因子f。 3.如权利要求1所述的一种基于BP神经网络的自激振荡换热管协同优化方法， 其特征 在于， 所述 步骤S2具体包括： 通过三因素五水平 的正交试验设计得到初始样本点， 记为P＝[di],i＝1,2, …,M； ； 其 中， di为第i个样本， M为样本点总数； 对样本点进行数值模拟得到响应目标的响应值， 记为 Nu(di),di∈P； f(di),di∈P通过初始样本点信息和响应目标的响应值构建样本点数据库。 4.如权利要求1所述的一种基于BP神经网络的自激振荡换热管协同优化方法， 其特征 在于， 所述 步骤S3具体包括： S3‑1， 构建单隐含层BP神经网络模型， 所述BP神经网络模型输入层包含3个神经元， 输 出层包含2个神经元， 分别对应设计参数和响应目标的个数， 隐含层的节点数采用经验公式 确定， 即 其中， m为隐含层的神经元节点 数， u为输入层的神经元节点数， v为 输出层的神经 元节点数， a为调节常数； S3‑2， 利用构建好的BP神经网络模型对样本点数据库进行训练和预测； 采用 Levenberg ‑Marquardt算法作为神经网络的训练函数， 输入层与隐含层之间的传递函数采 用tansig型函数， 隐含层与输出层之间的传递函数采用purelin型函数， 设置训练速率为预 设速率， 训练次数为预设次数， 期望误差为预设期望误差； S3‑3， 对BP神经网络结构模型进行训练的过程中， 不断修正权值和阈值， 当模型误差小 于预设期望误差时， 满足训练条件， 得到训练完成的权值和阈值。 5.如权利要求4所述的一种基于BP神经网络的自激振荡换热管协同优化方法， 其特征 在于， 所述 步骤S4具体包括： 根据所述训练完成的权值和阈值， 通过BP神经网络模型拟合得到目标函数和设计变量 之间的非线性 函数关系， 将所述非线性 函数作为 NSGA‑II算法的适应度函数。 6.如权利要求1所述的一种基于BP神经网络的自激振荡换热管协同优化方法， 其特征 在于， 所述 步骤S5具体包括以下步骤：权　利　要　求　书 1/3 页 2 CN 113886980 A 2S5‑1， 随机生成初始种群P(t)， 规模大小为N， 设置算法进化代数为t， 设定所述初始种 群P(t)为父代种群； S5‑2， 通过选择、 交叉、 变异生成第一代子代种群Q(t)； S5‑3， 将当前父代种群和子代种群合并， 对总体种群进行快速非支配排序， 优先选择非 支配等级高的个体进行保留， 若两个个体的非支配等级相同， 则计算个体之间的拥挤度距 离， 选择拥挤度大 的个体进行保留， 根据非支配等级和拥挤度大小筛选出优秀的个体形成 新的父代种群P(t+1)； S5‑4， 新的父代种群P(t+1)通过遗传算法的选择、 交叉和变异操作， 生成下一代子代种 群Q(t+1)； S5‑5， 判断是否达到最大进化代数或结果收敛， 若满足任一条件， 则停止运行， 得到 Pareto前沿解， 所述Pareto前沿解中包含自激振 荡换热管的结构参数信息； 若都不满足， 跳 转至步骤S5 ‑3。 7.如权利要求5所述的一种基于BP神经网络的自激振荡换热管协同优化方法， 其特征 在于， 所述 步骤S6具体包括以下步骤： S6‑1， 创建一个具有 k个解决方案和m个目标函数的决策矩阵R＝(rij)k×m(i＝1,2, …,k； j＝1,2,…,m)； S6‑2， 规范化决策矩阵， S6‑3， 计算第j个目标函数的信息熵 S 6‑4 ， 确 定 目 标 函 数 的 权 重 因 子 ， 第 j 个 目 标 函 数 的 权 重 因 子 定 义 为 S6‑5， 通过上述权重因子对规范化的决策矩阵进行加权， 即vij＝Wj×τij； S6‑6， 设置正理想解A+＝(max(v11,…,vk1),max(v12,…,vk2),…,max(v1m,…,vkm))和负 理想解A‑＝(min(v11,…,vk1),min(v12,…,vk2),…,min(v1m,…,vkm))； S6‑7， 计算Pareto前 沿解中的每个解跟正理想解之 间的距离 和负理想解之间的距 离 S6‑7， 计算相对亲密度 并选择亲密度最大的解作为 最优解。 8.如权利要求7所述的一种基于BP神经网络的自激振荡换热管协同优化方法， 其特征 在于， 所述 步骤S7具体包括以下步骤： S7‑1， 根据所述最优解， 得到自激振荡换热管的结构参数信息， 对其进行建模及网格划 分； S7‑2， 对所述 最优解进行CFD模拟， 得到目标函数的模拟值； S7‑3， 若CFD模拟的响应目标值和算法求得的响应目标值之间的误差不超过预设阈值，权　利　要　求　书 2/3 页 3 CN 113886980 A 3