在全球能源危机与环境问题日益加剧的形势下,节约能源、减少温室气体的排放和大气臭氧层的破坏,已成为当今人类社会面临的重大挑战。准确掌握工质的流动沸腾换热性能,对于换热设备的优化设计,安全运行和提高能源的使用效率极为重要。流动沸腾换热的机理非常复杂,影响因素众多,具有强烈的非线性,至今还未形成统一的认识,传统数学方法难以建立精确的模型。现有的换热关联式大多是研究者根据实验数据得到的经验或半经验式,形式各异,适用范围有限,推广应用时往往会带来较大误差。人工神经网络是模拟生物神经网络结构特征的一种信息处理系统,可以在避免分析过程内部机理的条件下,向不完全、不精确、带有强噪声的数据学习,具有强大的自组织、自学习、非线性映射能力等。神经网络能够在只给出网络输入和输出矢量的情况下,挖掘出隐藏在数据中的规律。本文基于神经网络建立水平光管内有机工质流动沸腾换热的预测模型,为解决有机工质的流动沸腾换热问题探索一种新方法和新途径。针对这个目标,从实验研究和关联式两方面入手,探讨了有机工质在管内流动沸腾换热的研究现状,流动沸腾换热的过程及主要影响因素,分析归纳了流动沸腾换热常用关联式。以纯工质R245fa和混合工质R407C为研究对象,从已公开发表的文献中广泛采集饱和状态下的工质的沸腾换热系数及对应的实验工况,建立了工况范围覆盖较广的数据库。利用RBF网络和GRNN网络建立了水平光管内纯工质R245fa流动沸腾换热的预测模型,网络的预测结果分别与Chen公式,Guangor-Winteron公式,Liu-Winteron公式和Shah公式的计算结果进行了比较。结果表明,RBF网络的预测结果比传统关联式的计算结果有了显著地改善,其中Liu-Winteron公式比其他三个公式的要准确一些。GRNN网络预测模型的预测结果与传统关联式的相比有了一定的提高,但较RBF网络却有一定的差距,主要是由于R245fa的实验数据来源还不够充分造成的。下一步可通过增加R245fa的实验数据,来提高GRNN网络的预测精度。通过参数变化的影响分析,表明网络的预测结果随干度、蒸发温度和质流密度变化的趋势能很好地与实验数据变化的规律相符合。利用RBF网络建立了水平光管内混合工质R407C流动沸腾换热的预测模型,网络模型的预测结果与实验结果吻合程度良好,约有92%的数据点误差在±10%以内,平均误差(Bias)为-0.9%,绝对误差(AAD)为5.5%,均方根误差(RMS)为10.9%。与Liu-Winteron公式,Guangor-Winteron公式,Kandlikar公式和Choi公式的计算结果进行了比较,显示RBF网络模型的预测精度明显优于传统关联式。并且通过参数变化分析,表明网络的预测结果随干度、蒸发温度、质流密度和热流密度变化的趋势能很好地与实验数据变化的规律相符合。本文的相关研究工作表明,基于神经网络建立的水平光管内有机工质流动沸腾换热模型是可行的,不仅能精确地预测出不同工况下水平光管内有机工质的流动沸腾换热系数,并且避免了分析有机工质流动沸腾换热的机理,减少了实验工作量。对于采用R245fa的低温余热发电有机朗肯循环系统和R407C制冷系统管式蒸发器的设计与优化及安全运行,具有重要的理论价值和实际指导意义。