一种平直翅片管式换热器管型优化系统及方法

1.本发明涉及人工智能辅助换热器设计技术领域，具体涉及一种平直翅片管式换热器管型优化系统及方法。


背景技术：

2.翅片管式换热器是一种在化工、石油、动力、食品及其他多种工业领域中广泛应用的换热器，具有结构灵活、适应性强、空间利用率高等优点。在深入推进绿色节能的工业背景下，提升换热器传热性能得到广泛关注。换热器性能受多种结构参数的影响，管型就是其中之一，研究结构参数对提高换热器整体性能至关重要。传统换热器结构参数的研究大多以实验分析的方法为主，研究周期长、实验成本高，且多以单一评价指标对换热器性能进行评价，研究结果不具有全面性。
3.尽管随着计算机性能的提升，数值模拟成功代替实验分析，但是数值模拟的计算量大，且目前国内还未有统一的数值模拟软件，大部分设计工作者主要依赖商用软件，导致换热器管型优化设计过程涉及到的模拟、数据分析、结果处理等需要跨多种软件，不同软件所需数据结构也千差万别，对用户/设计者来说很不友好。


技术实现要素：

4.发明目的：本发明的目的是提供一种平直翅片管式换热器管型优化系统及方法以解决背景技术中存在的问题。
5.技术方案：本发明所述的一种平直翅片管式换热器管型优化系统，包括：数学化模块、优化仿真模块、决策模块和正反设计模块；所述数学化模块用于将待优化换热器管型设计抽象为数学问题，确定翅片管式换热器的基本结构参数、工作环境，选定待优化管型的设计变量，根据专家经验和国家标准确定设计变量的变化范围，将上述数据传输给仿真优化模块；所述优化仿真模块用于建立nsga-ii多目标优化模型，以换热效率和压降指标为优化目标函数，对设计变量进行寻优，得到pareto最优设计方案集合；其中，不同换热效率和压降指标利用cfd模拟得到；所述决策模块用于根据用户需求，利用多属性决策方法从云数据库中pareto非劣设计方案集合中选择符合设计要求的方案；所述正反设计模块用于利用云数据库中pareto非劣设计方案集合数据构建机器学习快速设计模型，捕捉设计变量和换热器性能指标的非线性关系，辅助用户快速设计。
6.进一步的，各模块之间连接关系具体设置为：数学化模块与优化仿真模块连接；优化仿真模块分别与决策模块和正反设计模块连接。
7.本发明所述的一种平直翅片管式换热器管型优化系统的方法，包括以下步骤：
8.(1)将待优化的换热器管型设计物理问题抽象为二维数学优化问题，确定长、宽基础结构尺寸，管排布类型，选定影响管型换热性能的设计变量为待优化变量，结合专家经验和国家标准确定设计变量的变化范围；
9.(2)在设计变量变化范围内对优化算法nsga-ii进行父代种群随机初始化；其中，
父代种群记为pk(k＝1,2,
…
,n)；
10.(3)由cfd模拟计算并评估pk的目标函数；
11.(4)经过选择、交叉、变异操作生成子代种群qk；
12.(5)由cfd模拟计算种群qk的目标函数；
13.(6)对每个目标进行pareto非支配排序；
14.(7)计算个体拥挤距离；
15.(8)利用多属性决策方法根据用户偏好从pareto非劣解集中选出复合要求的设计方案；
16.(9)利用机器学习模型捕捉云数据库中pareto非劣设计方案集合的设计变量和换热性能指标的非线性关系，构建正向设计机器学习模型和的逆向设计机器学习模型，挖掘正向设计和逆向设计隐式关系式，辅助用户快速设计。
17.进一步的，所述步骤(3)、(5)具体如下：采用表征换热效率的nu数和表示流场的压降，计算公式为：
[0018][0019]
obj2＝min(δp)＝min(p
out-p
in
)
[0020]
进一步的，所述步骤(7)具体如下：计算个体拥挤距离，根据精英选择策略，选出最优的前n个个体作为新父代，进行迭代，直至迭代次数结束，得到pareto非劣解集。
[0021]
进一步的，所述步骤(8)多属性决策方法包括：topsis，moora，codas，copras。
[0022]
进一步的，利用topsis进行多属性决策获得满足用户需求的设计方案，具体为：根据pareto非劣解集构建决策矩阵，得到规范化的决策矩阵；计算距离决策矩阵，从而得到贴近度决策矩阵，根据贴近度越大原则确定最终的设计方案。
[0023]
进一步的，所述步骤(9)机器学习模型包括：bp神经网络模型、rbf神经网络模型、elm神经网络模型、grnn神经网络模型、gpr模型。
[0024]
进一步得，所述步骤(9)正向设计机器学习模型的输入数据为设计变量，输出数据为换热器性能指标；逆向设计机器学习模型的输入数据为换热器性能指标，输出数据为设计变量。
[0025]
本发明所述的一种设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的程序，所述处理器执行所述程序时实现任一项上述一种平直翅片管式换热器管型优化系统及方法中的步骤。
[0026]
有益效果：与现有技术相比，本发明具有如下显著优点：本发明通过将cfd模拟、多目标优化算法、预测模型和多属性决策方法相结合，利用openmp轻松实现并行优化计算；本发明具有计算量小，节约设计时间的优点。
附图说明
[0027]
图1为本发明的系统的结构示意图；
[0028]
图2为本发明一个实施例平直翅片交叉椭圆管式换热器结构示意图；
[0029]
图3为本发明不同权重下topsis从pareto非劣设计方案中选出的最佳折衷设计方案。
具体实施方式
[0030]
下面结合附图对本发明的技术方案作进一步说明。
[0031]
如图1所示，本发明实施例提供一种平直翅片管式换热器管型优化系统，包括：数学化模块、优化仿真模块、决策模块和正反设计模块；所述数学化模块用于将待优化换热器管型设计抽象为数学问题，确定翅片管式换热器的基本结构参数、工作环境，选定待优化管型的设计变量，根据专家经验和国家标准确定设计变量的变化范围，将上述数据传输给仿真优化模块；所述优化仿真模块用于建立nsga-ii多目标优化模型，以换热效率和压降指标为优化目标函数，对设计变量进行寻优，得到pareto最优设计方案集合；其中，不同换热效率和压降指标利用cfd模拟得到，经仿真优化模块计算将获得一系列非劣pareto解，即设计方案组合，将其存放于云数据库中；所述决策模块用于根据用户需求，利用多属性决策方法从云数据库中pareto非劣设计方案集合中选择符合设计要求的方案；所述正反设计模块用于利用云数据库中pareto非劣设计方案集合数据构建机器学习快速设计模型，捕捉设计变量和换热器性能指标的非线性关系，辅助用户快速设计。各模块之间连接关系具体设置为：数学化模块与优化仿真模块连接；优化仿真模块分别与决策模块和正反设计模块连接。
[0032]
本发明实施例还提供了一种一种平直翅片管式换热器管型优化系统的方法，以交叉椭圆管型设计为例，包括以下步骤：
[0033]
(1)将待优化的换热器管型设计物理问题抽象为二维数学优化问题，如图2所示，为简化后的研究区域，实际有很多这种交错的椭圆管，沿水平方向延伸。根据研究区域确定长、宽等基础结构尺寸，管排布类型，选定影响管型换热性能的设计变量为待优化变量，结合专家经验和国家标准确定设计变量的变化范围。其中长x＝65mm，宽y＝80mm，交错排列，因管型为椭圆形，所以确定了6种待设计变量，分别为椭圆参考直径φ、长轴长度与参考直径之比l
fac
、短轴长度与参考直径之比s
fac
以及研究区域内三个椭圆长轴与水平方向的角度θ1，θ2，θ3。这6个待优化变量的变化范围分别为：l
fac
∈[1.0,1.4]；s
fac
∈[0.6,1.0]；θ1,θ2,θ3∈[-90
°
,90
°
]。
[0034]
(2)在设计变量变化范围内对优化算法nsga-ii进行父代种群随机初始化，父代种群记为pk(k＝1,2,
…
,n)；设置种群数规模为100，最大迭代次数为250。
[0035]
(3)由cfd模拟计算并评估pk的目标函数；具体如下：采用西安数峰信息科技有限公司自主研发的mht框架完成，该框架具有计算稳定可靠的特点。主要步骤为：
[0036]
(31)根据设计变量生成几何和网络；合适的网格数利用敏感性分析确定。
[0037]
(32)设置边界条件，设置入口边界为速度入口，设置出口边界为压力出口，速度入口和压力出口均采用周期性边界，上下采用对称边界，壁面设置为无滑移。入口参数为：温度37℃，湍动强度5％，湍动粘性比10，速度为0.6m/s。
[0038]
(33)设置流体参数，工质为空气，其物性参数为：密度1.225kg/m3，比热容1006.43j/(kg
·
k)，动力粘度1.7894
×
10-5
kg/m
·
s，导热系数0.025w/m
·
k。
[0039]
(34)设置求解器，速度压力耦合采用simple算法，梯度计算采用基于单元的格林高斯算法，壁面函数采用标准壁面函数，动量和能量方程采用高阶格式进行空间离散。
[0040]
(35)：cfd模拟；
[0041]
(36)：后处理，根据cfd模拟计算换热效率和压损，即为当前设计变量方案下的目标函数值。换热效率用nu数表征，压损即流场的压降，计算公式为：
[0042][0043]
obj2＝min(δp)＝min(p
out-p
in
)
[0044]
(4)经过选择、交叉、变异操作生成子代种群qk；其中，设置交叉率0.8，变异率0.17。
[0045]
(5)由cfd模拟计算种群qk的目标函数；；具体如下：采用西安数峰信息科技有限公司自主研发的mht框架完成，该框架具有计算稳定可靠的特点。主要步骤为：
[0046]
(51)根据设计变量生成几何和网络；合适的网格数利用敏感性分析确定。
[0047]
(52)设置边界条件，设置入口边界为速度入口，设置出口边界为压力出口，速度入口和压力出口均采用周期性边界，上下采用对称边界，壁面设置为无滑移。入口参数为：温度37℃，湍动强度5％，湍动粘性比10，速度为0.6m/s。
[0048]
(53)设置流体参数，工质为空气，其物性参数为：密度1.225kg/m3，比热容1006.43j/(kg
·
k)，动力粘度1.7894
×
10-5
kg/m
·
s，导热系数0.025w/m
·
k。
[0049]
(54)设置求解器，速度压力耦合采用simple算法，梯度计算采用基于单元的格林高斯算法，壁面函数采用标准壁面函数，动量和能量方程采用高阶格式进行空间离散。
[0050]
(55)：cfd模拟；
[0051]
(56)：后处理，根据cfd模拟计算换热效率和压损，即为当前设计变量方案下的目标函数值。换热效率用nu数表征，压损即流场的压降，计算公式为：
[0052][0053]
obj2＝min(δp)＝min(p
out-p
in
)
[0054]
(6)对每个目标进行pareto非支配排序；
[0055]
(7)计算pareto非劣解集；具体如下：计算个体拥挤距离，根据精英选择策略，选出最优的前n个个体作为新父代，进行迭代，直至迭代次数结束，得到pareto非劣解集，输出结果至云数据库。
[0056]
(8)利用多属性决策方法根据用户偏好从pareto非劣解集中选出复合要求的设计方案；多属性决策方法包括：topsis，moora，codas，copras等常用多属性决策方法；此处以topsis为例说明其步骤：
[0057]
(81)：根据仿真优化模块生成的pareto设计方案s＝{s1,s2,s3,...,sn}，目标函数值a＝{a1,a2,a3,...,am}，构建决策矩阵x＝[x
ij
]n×m.，x为n
×
m维矩阵，n为设计变量方案数，m为目标函数个数，根据上述技术方案可知，此处n＝100，m＝2。
[0058]
(82)将x矩阵规范化得到矩阵r＝[r
ij
]n×m，计算公式为：
[0059][0060]
(83)将矩阵r加权得到矩阵y：
[0061]yij
＝ωj*r
ij
,(i＝1,2,...,n；j＝1,2,...,m)
[0062]
[0063]
不同目标函数的权重ωj可以利用层次分析法、信息熵法等来确定。
[0064]
(84)确定理想解和负理想解
[0065][0066][0067]
式中，a
+
为效益类指标，即目标函数值越大越好；a-为成本类指标，表示目标函数值越小越好。
[0068]
(85)计算各个设计方案到正负理想解的欧拉距离：
[0069][0070][0071]
(86)计算相对贴近度：
[0072][0073]
(87)根据相对贴近度对所有设计方案进行排序，具有最大相对贴近度的方案即为最佳折衷方案。图3为不同权重下的最佳折衷方案。结合cfd模拟的流场、温度分布可以确定这三种方案的综合性能优于水力直径相当的圆形管。
[0074]
(9)利用机器学习模型捕捉云数据库中pareto非劣设计方案集合的设计变量和换热性能指标的非线性关系，构建正向设计机器学习模型和的逆向设计机器学习模型，挖掘正向设计和逆向设计隐式关系式，辅助用户快速设计。机器学习模型包括：bp神经网络模型、rbf神经网络模型、elm神经网络模型、grnn神经网络模型、gpr模型。在此实施例中采用了bp神经网络，步骤为：
[0075]
(91)根据用户需求判断后续要进行的是正向设计还是逆向设计；若用户选择的是正向设计，则模型输入为设计变量，输出为换热性能指标，继续下面的步骤；反之模型输入为换热性能指标，输出为设计变量。
[0076]
(92)输入输出数据准备，并进行预处理，预处理包括归一化和数据集划分，若输入变量过多，也可采用主成分分析等特征提取方法进行输入降维；
[0077]
(93)利用训练样本构建bp神经网络，捕捉设计变量和换热性能之间的非线性关系；对神经网络的参数进行优选；
[0078]
(94)将优化后的bp神经网络用检验期数据进行验证，验证指标采用r2、rmse、mae、mape等；根据验证结果确定是否再需要模型优化，不需要就保存此模型；
[0079]
(95)用户输入新设计方案到优化后的bp模型中，则可得到该设计方案对应的换热性能指标；用户输入新的需求到优化后的bp模型中，则可得到不同的设计变量值。表1为6种设计变量预报换热效率和压损的结果。从表中可以看出，训练期检验期模型的精度均很高，
可用于辅助设计。
[0080]
表1
[0081][0082]
本发明实施例还提供了一种设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的程序，所述处理器执行所述程序时实现任一项上述一种平直翅片管式换热器管型优化系统及方法中的步骤。

技术特征：
1.一种平直翅片管式换热器管型优化系统，其特征在于，包括：数学化模块、优化仿真模块、决策模块和正反设计模块；所述数学化模块用于将待优化换热器管型设计抽象为数学问题，确定翅片管式换热器的基本结构参数、工作环境，选定待优化管型的设计变量，根据专家经验和国家标准确定设计变量的变化范围，将上述数据传输给仿真优化模块；所述优化仿真模块用于建立nsga-ii多目标优化模型，以换热效率和压降指标为优化目标函数，对设计变量进行寻优，得到pareto最优设计方案集合；其中，不同换热效率和压降指标利用cfd模拟得到；所述决策模块用于根据用户需求，利用多属性决策方法从云数据库中pareto非劣设计方案集合中选择符合设计要求的方案；所述正反设计模块用于利用云数据库中pareto非劣设计方案集合数据构建机器学习快速设计模型，捕捉设计变量和换热器性能指标的非线性关系，辅助用户快速设计。2.根据权利要求1所述的一种平直翅片管式换热器管型优化系统，其特征在于，各模块之间连接关系具体设置为：数学化模块与优化仿真模块连接；优化仿真模块分别与决策模块和正反设计模块连接。3.一种平直翅片管式换热器管型优化系统的方法，其特征在于，包括以下步骤：(1)将待优化的换热器管型设计物理问题抽象为二维数学优化问题，确定长、宽基础结构尺寸，管排布类型，选定影响管型换热性能的设计变量为待优化变量，结合专家经验和国家标准确定设计变量的变化范围；(2)在设计变量变化范围内对优化算法nsga-ii进行父代种群随机初始化；其中，父代种群记为p
k
(k＝1,2,
…
,n)；(3)由cfd模拟计算并评估p
k
的目标函数；(4)经过选择、交叉、变异操作生成子代种群q
k
；(5)由cfd模拟计算种群q
k
的目标函数；(6)对每个目标进行pareto非支配排序；(7)计算pareto非劣解集；(8)利用多属性决策方法根据用户偏好从pareto非劣解集中选出复合要求的设计方案；(9)利用机器学习模型捕捉云数据库中pareto非劣设计方案集合的设计变量和换热性能指标的非线性关系，构建正向设计机器学习模型和的逆向设计机器学习模型，挖掘正向设计和逆向设计隐式关系式，辅助用户快速设计。4.根据权利要求3所述的一种平直翅片管式换热器管型优化系统的方法，其特征在于，所述步骤(3)、(5)具体如下：采用表征换热效率的nu数和表示流场的压降，计算公式为：obj2＝min(δp)＝min(p
out-p
in
)5.根据权利要求3所述的一种平直翅片管式换热器管型优化系统的方法，其特征在于，所述步骤(7)具体如下：计算个体拥挤距离，根据精英选择策略，选出最优的前n个个体作为新父代，进行迭代，直至迭代次数结束，得到pareto非劣解集。6.根据权利要求3所述的一种平直翅片管式换热器管型优化系统的方法，其特征在于，
所述步骤(8)多属性决策方法包括：topsis，moora，codas，copras。7.根据权利要求6所述的一种直翅片管式换热器管型优化系统的方法，其特征在于，利用topsis进行多属性决策获得满足用户需求的设计方案，具体为：根据pareto非劣解集构建决策矩阵，得到规范化的决策矩阵；计算距离决策矩阵，从而得到贴近度决策矩阵，根据贴近度越大原则确定最终的设计方案。8.根据权利要求3所述的一种平直翅片管式换热器管型优化系统的方法，其特征在于，所述步骤(9)机器学习模型包括：bp神经网络模型、rbf神经网络模型、elm神经网络模型、grnn神经网络模型、gpr模型。9.根据权利要求3所述的一种平直翅片管式换热器管型优化系统的方法，其特征在于，所述步骤(9)正向设计机器学习模型的输入数据为设计变量，输出数据为换热器性能指标；逆向设计机器学习模型的输入数据为换热器性能指标，输出数据为设计变量。10.一种设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的程序，其特征在于，所述处理器执行所述程序时实现如权利要求3-9任一项所述的一种平直翅片管式换热器管型优化系统的方法中的步骤。

技术总结
本发明公开了一种平直翅片管式换热器管型优化系统及方法，所述系统包括：数学化模块、优化仿真模块、决策模块和正反设计模块；所述数学化模块用于将待优化换热器管型设计抽象为数学问题，所述优化仿真模块用于建立NSGA-II多目标优化模型，以换热效率和压降指标为优化目标函数，对设计变量进行寻优，得到Pareto最优设计方案集合；所述决策模块用于根据用户需求，利用多属性决策方法从云数据库中Pareto非劣设计方案集合中选择符合设计要求的方案；所述正反设计模块用于利用云数据库Pareto非劣设计方案集合数据构建机器学习快速设计模型，捕捉设计变量和换热器性能指标的非线性关系，辅助用户快速设计；本发明具有计算量小，节约设计时间的优点。约设计时间的优点。约设计时间的优点。


技术研发人员：孙娜 张帅 郝祥淼 李子健 王科 王希 苏浩 彭甜 张楚 纪捷 张楠 姜伟 黄凤芝 王建国 应根旺 马从国 陈帅
受保护的技术使用者：淮阴工学院
技术研发日：2023.06.26
技术公布日：2023/9/19