基于人工神經網絡的噴射器性能預測及優(yōu)化研究.pdf

1、能源危機已經成為當今世界各國最關注的問題之一。隨著經濟的發(fā)展，特別是空調的普及，建筑能耗越來越高。在我國，制冷空調能耗已經占到了總能耗的五分之一左右。每年夏天，各地電網都面臨著用電高峰的考驗。如果能夠減少制冷空調能耗，那么這將大大緩減我國的能源危機，而這對我國節(jié)能減排工作的開展將起到重要的推進作用。蒸汽噴射式制冷系統(tǒng)有希望解決上述問題。
　　 蒸汽噴射式制冷系統(tǒng)沒有運動部件，基本不需要用電。如果用太陽能、廢熱以及地熱等能源制取制

2、冷劑蒸汽，那么這種噴射式制冷系統(tǒng)將會即節(jié)能又環(huán)保。但是，傳統(tǒng)噴射式制冷系統(tǒng)的COP很低，因此蒸汽噴射式制冷系統(tǒng)的發(fā)展受到了很大的限制。噴射器是蒸汽噴射式制冷系統(tǒng)的核心部件。如果能提高噴射器的工作性能，那么這將大大提高蒸汽噴射式制冷系統(tǒng)的COP。因此，對噴射器加以重點研究顯得尤為重要。
　　 迄今為止，對各種噴射器性能的理論分析、特別是設計和運行實踐，最終仍然需要用實驗進行檢驗和校正。但是噴射器的實驗相當費時費力，代價也不小。如果

3、在部分噴射器實驗數據基礎上的預測模型能用于同類或同系列的噴射器性能預測，那么這對噴射器的研究開發(fā)、設計和運行將有很大幫助，同時對節(jié)約時間和費用、拓展適用參數范圍，都有很大的實際意義。噴射器性能與其本身結構參數和運行工況的關系是高度非線性的，神經網絡預測模型很適合模擬非線性系統(tǒng)。用神經網絡預測噴射器性能是一種全新的研究噴射器性能的方法。
　　 神經網絡的傳輸函數和學習方法對神經網絡的學習速度和預測精度都有重要影響。在本文中，引用了

4、三種小波神經網絡，這三種小波神經網絡的隱含層傳輸函數分別為Morlet、Mexi-hat和Gaussl小波基函數。數值實驗證明，這三種小波神經網絡的學習速度和預測能力都高于傳統(tǒng)神經網絡。隱含層神經元個數對神經網絡的性能有重大影響，通過反復嘗試，找到了用于噴射器性能預測的神經網絡的最優(yōu)隱含層神經元的個數。神經網絡的學習問題本質上是一個優(yōu)化問題。傳統(tǒng)的神經網絡學習方法存在學習速度慢，易陷入局部極小值的缺點。蟻群優(yōu)化方法是一種新的全局優(yōu)化算法

5、。在本文中，首次嘗試將兩種連續(xù)蟻群優(yōu)化算法CACS和ACOR作為神經網絡學習方法，提高了神經網絡的學習速度和預測能力。正則化方法能有效提高神經網絡的泛化能力。數值模擬結果顯示，正則化方法和蟻群算法相結合能夠提高神經網絡的預測精度。
　　 本文在大量噴射器實驗數據基礎上，通過對神經網絡的訓練，得到了能夠預測噴射器性能的神經網絡。數值模擬結果顯示，神經網絡對噴射器性能的預測能力優(yōu)于理論計算。通過神經網絡，對噴射器的結構參數和運行參數