论文部分内容阅读
在沸腾换热的研究中发现,汽液两相流动介质的相界面分布状况,即流型,极大地影响着汽液两相流的流动特性和传热性能,同时也对流动参数的准确测量以及两相流系统运行特性的确定具有很大的影响作用。因此,沸腾换热汽液两相流流型识别的研究一直是两相流参数分析一个重要组成部分。本课题针对流型识别存在的不足,提出了利用神经网络进行流型识别的方法。首先,本课题以去离子水为被加热工质,对槽道宽度分别为2mm、1.5mm、1mm和0.5mm的实验件进行沸腾换热实验。实验过程实现了被测实验件内部沸腾状态的可视化,并且测量了工质的体积流量、实验段入口处温度和压力和实验件的压差波动信号,同时在实验件上沿工质流动方向设置多组热电偶,测量不同位置的温度值。然后,运用matlab小波降噪的方法对获取的信号进行处理。选择小波模块为wavelet 2-D,选择母小波为haar,选择阈值模式为unscaled white noise和horizontal details coefs,选择阈值函数为软阈值。经过处理后的信号可以更好的辅助实验者确定流型的类别,减少主观判断错误的发生。最后,通过实验获得的各点温度、液体体积流量和压差等数据,计算得到一个无量纲数。并以此无量纲数和热电偶处测得的温度值为输入向量,以各向量所对应的三种流型单相流(001),弹状流(011),受限弹状流(111)为输出向量。本文建立了四种神经网络：BP,RBF, SOM和Elman神经网络。实验过程中测得的数据其中一部分用于神经网络的建立和训练,另外一部分数据用于对所建立神经网络进行验证。神经网络的识别结果表明：利用BP和Elman神经网络进行流型的识别效果较好,识别率在90%以上,而利用SOM进行识别正确率低于50%,RBF神经网络的识别能力介于两者之间。从而,BP和Elman神经网络可以作为流型的分类器。针对这两种神经网络的良好的分类效果,本文建立了流型识别的用户界面,用户可以在输入栏中输入数据,直接得到输出结果。本文提供了一种识别流型的新方法,与其他识别方法相比,减少了因主观而造成的识别误差,提高了流型的识别率。