(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202111065130.X (22)申请日 2021.09.1 1 (65)同一申请的已公布的文献号 申请公布号 CN 113919243 A (43)申请公布日 2022.01.11 (73)专利权人 西北工业大 学 地址 710072 陕西省西安市友谊西路127号 (72)发明人 谢公南　孙丰　李书磊　闫宏斌　 (74)专利代理 机构 西安凯多 思知识产权代理事 务所(普通 合伙) 61290 专利代理师 刘新琼 (51)Int.Cl. G06F 30/28(2020.01) G06F 30/27(2020.01) G06F 119/08(2020.01)G06F 119/14(2020.01) (56)对比文件 CN 110490351 A,2019.1 1.22 CN 10720 3659 A,2017.09.26 刘生晖等.基 于预测-矫 正技术的超临界流 体强迫对流传热能力预测方法. 《中国科 学:技术 科学》 .2017,(第0 6期), 审查员 张一良 (54)发明名称 基于机器学习的超临界流体传热关联式代 理模型构建方法 (57)摘要 本发明公开了一种基于机器学习的超临界 流体传热关联式代理模型构建方法， 以期解决超 临界流体非线性物性变化导致传统或发展的传 热经验关联式预测难、 精度差的问题。 首先广泛 收集实验数据， 评估选取潜在影 响传热等级的热 边界、 几何及物性无量纲参数因子。 然后基于奇 异值分解技术， 将其数据降阶处理， 并实现样本 主要流动换热特征识别和提取。 再建立超临界传 热模型的数学表 达式及非线 性RBF‑MLP神经网络 结构， 并训练、 验证优化选取输入层、 隐藏层、 输 出层神经元个数。 最后预测结果表明传热关联式 代理模型具有预测精度高， 网络误差较小的特 点。 本发明方案简单可靠， 能够快速达到壁面温 度和传热系数精确预测及降低试验成本的目的。 权利要求书3页 说明书8页 附图2页 CN 113919243 B 2022.09.13 CN 113919243 B 1.一种基于机器学习的超临界流体传热关联式代理模型构建方法， 其特征在于， 包括 以下步骤： 步骤1： 采集超临界流体实验数据， 基于传热学和流体力学基础理论， 建立包含超临界 流体各水平表征影响因子的数据库， 所述超临界流体各水平表征影响因子包括超临界流体 边界条件参数、 几何构型参数及无量纲物性因子； 在数据库中给出每个水平表征影响因子 的运行具体范围； 步骤2： 参数化评估超临界流体各水平表征影响因子的相关性， 筛选出显著影响因子 项， 并按照相关性次序等级 进行排列， 转 化为矩阵向量； 步骤3： 基于奇异值分解SVD技术， 对步骤2得到的矩阵向量进行流动换热特征识别和提 取， 并将矩阵向量降阶； 步骤4： 构建RBF ‑MLP混合神经网络作为超临界流体传热关联式代理模型； 步骤5： 对 超临界流体传热关联式代理模型进行训练并验证； 步骤6： 基于超临界流体传热关联式代 理模型， 求得超临界流体流动换热过程中的高精 度壁面温度及 传热系数； 步骤7： 根据步骤6得到的实际运行数据， 按照步骤1 ‑步骤5重新构建超临界流体传热关 联式代理模型并进行训练。 2.根据权利要求1所述的一种基于机器学习的超临界流体传热关联式代理模型构建方 法， 其特征在于， 所述超临界流体为超临界CO2、 超临界水或超临界碳氢类化 合物及纯 净物。 3.根据权利要求1所述的一种基于机器学习的超临界流体传热关联式代理模型构建方 法， 其特征在于， 所述超临界流体边界条件参数包括初始质量流量G、 压力P、 温度T、 流体比 焓hb和热流密度q； 所述几何构型参数包括初始管道截面形状、 内径尺寸和水利直径； 所述 无量纲物性因子， 包括雷诺数、 普朗特数和格拉晓夫数的演变参数、 密度、 导热系数、 动力粘 度及定压比热的无量纲因子、 流动换 热过程中附加的浮升力及流动加速度影响因子 。 4.根据权利要求3所述的一种基于机器学习的超临界流体传热关联式代理模型构建方 法， 其特征在于， 所述初始管道截面形状为矩形或圆形。 5.根据权利要求1所述的一种基于机器学习的超临界流体传热关联式代理模型构建方 法， 其特征在于， 所述参数化评估超临界流体各水平表征影响因子的相关性， 是采用 Pearson数据统计方法， 找到正负相关影响因子和显著影响次序。 6.根据权利要求5所述的一种基于机器学习的超临界流体传热关联式代理模型构建方 法， 其特征在于， 所述 步骤3具体步骤如下： 所述奇异值分解SVD技 术， 分解方法如下： 其中A∈Rm×n代表矩阵形式的高阶超临界流动换热信息， 矩阵A秩为r(r≤min(m,n))， U ∈Rm×m为正交矩阵， 代表分解降阶后的左基向量， 由U＝[u1,u2,…,um]构成； V∈Rn×n为正交 矩阵， 代表分解降阶后的右基向量， 由V＝[v1,v2,…,vm]构成； ∑∈Rm×n是对角矩阵， 由∑＝权　利　要　求　书 1/3 页 2 CN 113919243 B 2diag[σ1, σ2,…, σr,…,0]构成， 其中σ1≥σ2≥…≥σr≥0； 向量ui是AAT的特征向量， 向量vi是 ATA的特征向量， 展开系数σi是矩阵的奇异值； 将奇异值进行能量占比处 理， 则第k个特 征模态能量占比ki定义为： ki＝σ2 i/E×100％＝ λi/E×100％        (2) 其中λi是特征值， E是所有特征值总和； 如果前k特征阶模态已经达到总能量的95％以 上， 则确定前k阶特 征向量代 表矩阵A的主 要特征， 进而矩阵A改写为： 从而完成数据降阶处 理， 降阶后的矩阵即为 提取的流动换 热特征。 7.根据权利要求6所述的一种基于机器学习的超临界流体传热关联式代理模型构建方 法， 其特征在于， 所述 步骤4中构建的RBF ‑MLP混合神经网络具体如下： 所述RBF‑MLP混合神经网络包括输入层、 隐藏层及输出层； 步骤3得到的降阶后的矩阵 向量被设置为输入层神经元； 壁面温度Tw或对流换热系数h或壁面无量纲努赛尔Nu设置为 输出层神经 元； RBF‑MLP混合神经网络的构造方法为： 用 第二层RBF去拟合第一层的残差函数， 而后再 用第3层RBF去拟合第2层残差， 以此类 推， 构造RBF ‑MLP混合神经网络架构； 径向基函数RB F需要求解3个参数， 分别为 高斯基函数的中心、 核宽及隐含层间的权值， 隐藏层由不同参数的高斯核函数构成， 径向基函数RBF的表示公式为： 其中， 为高斯径向基函数的中心， dσ2为高斯径向基函数的核宽； 对于第一层网络， 设输入样本为x＝(x1,x2,…xn)， 期望输出为(y1,y2,…yn)， 引入α1(> 0)， 再用K ‑mean法将构造的增广样本x＇ ＝(xi, α1yi)分成m1个聚类： 得到m1个聚类样本为 把每个聚类均值作为聚类中心， 则有： 计算出聚类中心后， 得到 则第一层网络为： 权重参数wi能通过最小二乘法得到， 构建表达式为：权　利　要　求　书 2/3 页 3 CN 113919243 B 3