基于GA-BP神经网络的超临界CO2传热特性预测研究

超临界二氧化碳（S-CO₂）动力循环在能源利用领域中拥有广阔的应用前景,其中超临界CO₂的传热特性对其能量转换效率至关重要。开展了超临界CO₂在水平小圆管内对流传热实验研究,并通过建立遗传算法优化的BP神经网络模型（GA-BP）,对其在不同工况下的传热特性进行预测分析。实验参数范围：系统压力7.5~9.5 MPa,质量流速1100~2100 kg/（m²?s）,热通量120~560 kW/m²。实验结果表明,超临界CO₂传热系数随流体温度的升高先增大后减小,在拟临界温度附近达到最大值。GA-BP神经网络模型能有效地预测超临界CO₂的传热系数,预测数据的决定系数R²为0.99662,超过95%的数据误差位于±10%范围内,平均误差为3.55%,为超临界流体传热预测提供新的思路。     

微小通道内过冷流动沸腾阻力特性实验及预测研究

实验探究了微小圆管内(内径1 mm)过冷水流动沸腾的阻力特性，参数范围：热通量4.0～5.6 MW/m²，压力3.0～5.0 MPa，质量流速2000～4200 kg/(m² s)，进口热力学干度-0.50～-0.10。获取了质量流速、压力、热通量等参数对过冷沸腾阻力的影响，并重点关注其预测方法。将测试数据与典型阻力关联式对比，结果表明，由于高热流、微通道等特殊因素，导致大部分阻力关联式的预测精度不够理想。为更准确预测高热流过冷沸腾阻力，基于LeakyReLU函数，建立了遗传算法优化的极限学习机模型(GA-ELM)，其预测精度优于传统关联式(平均绝对误差为2.0%)，且泛化性良好。研究工作可为微小尺度流动换热系统设计优化提供支撑。