一种螺旋翅片管式换热器的结构优化方法

1.本发明属于翅片管式换热器结构优化技术领域，具体涉及一种螺旋翅片管式换热器的结构优化方法。


背景技术：

2.螺旋翅片管式换热器在空气能系统中起着非常重要的作用。通过优化螺旋翅片管的结构参数，可以提高空气能系统的效率和性能，进一步提高其供暖、制冷和热水等服务的质量。同时，也可以减少空气能系统的能耗和运行成本，促进其在可持续发展中的应用。关于翅片管式换热器的研究非常丰富，螺旋翅片管式换热器的结构优化方法一般为传统的物理实验方法，部分研究中采用仿真分析与优化算法相结合的方法，主要采用的优化算法为遗传算法。
3.然而，目前的螺旋翅片管式换热器结构优化方法存在如下一些问题：
4.一、通过开展物理实验的方法进行螺旋翅片管式换热器结构优化设计，其时间成本、经济成本较高，且很难直接观察传热和流动的进行过程。
5.二、采用传统遗传算法对螺旋翅片管的结构参数进行优化，优化变量单一，难以同时优化换热性能评价指标j因子与阻力性能评价指标f因子两个变量，不能使得螺旋翅片管式换热器的传热性能及阻力性能同时达到较优水平。


技术实现要素：

6.为解决上述技术问题，本发明提供了一种螺旋翅片管式换热器的结构优化方法，基于bp(back propagation)神经网络回归模型与nsga-ii算法，解决了现有的螺旋翅片管式换热器结构优化的时间、经济成本高及优化变量单一的问题。
7.本发明采用的技术方案为：一种螺旋翅片管式换热器的结构优化方法，具体步骤如下：
8.s1、使用三维建模软件，建立螺旋翅片管式换热器散热仿真模型；
9.s2、对散热仿真模型进行有限元网格划分，结合正交实验方法，开展散热仿真实验，计算换热性能评价指标j因子、阻力性能评价指标f因子；
10.s3、利用bp神经网络算法，建立螺旋翅片管结构参数与j因子、f因子间的bp神经网络回归模型；
11.s4、结合bp神经网络回归模型，采取nsga-ii算法优化螺旋翅片管结构参数，根据优化得出的结构参数对螺旋翅片管建模并开展散热仿真实验，比较优化效果。
12.进一步地，所述步骤s1具体如下：
13.s11、根据螺旋翅片管的结构特点确定螺旋翅片管的结构参数，根据实际需求确定结构参数的取值范围，建立螺旋翅片管的几何模型；
14.所述螺旋翅片管的结构参数包括：翅片管直径、翅片管厚度、螺距、翅片厚度、翅片高度。
15.s12、在螺旋翅片管的几何模型中建立空气域，空气与螺旋翅片管之间存在流固耦合面；
16.s13、记录空气域的体积及表面积，计算空气域的特征长度；
17.特征长度计算式如下：
[0018][0019]
其中，vf表示空气域的体积，af表示空气域的表面积。
[0020]
进一步地，所述步骤s2具体如下：
[0021]
s21、对初始散热仿真模型进行有限元网格划分，并且进行网格无关性验证，确定最佳的网格数范围；
[0022]
s22、结合正交实验方法，根据螺旋翅片管的结构参数设计正交实验表；
[0023]
s23、在不同的风速情况下，利用仿真软件开展散热仿真实验；
[0024]
s24、根据散热仿真实验结果，记录散热稳定状态下的流固交界面努塞尔系数、进出口压差、最小截面处风速；
[0025]
s25、根据流固交界面努塞尔系数nu、螺旋翅片管最小截面处风速v
max
、空气域的特征长度de计算换热性能评价指标j因子，根据空气域的特征长度de、进出口压差δp、螺旋翅片管最小截面处风速v
max
计算阻力性能评价指标f因子；
[0026]
j因子与f因子的计算式分别为：
[0027][0028][0029][0030]
其中，re表示雷诺数，pr表示空气普朗特数，ρ表示空气密度，l表示流动方向上的长度，μ0表示空气动力黏度(kg/m
·
s)。
[0031]
s26、建立关键截面云图，观察实验过程中温度的变化情况。
[0032]
进一步地，所述步骤s3具体如下：
[0033]
s31、按照30％的测试集比例将样本集随机划分为训练集和测试集；
[0034]
s32、对训练集与测试集进行归一化，归一化处理后，开展模型训练，建立bp神经网络回归模型；
[0035]
所述回归模型的自变量为螺旋翅片管的结构参数及风速，因变量为换热性能评价指标j因子、阻力性能评价指标f因子；所述风速为进口处的空气速度。
[0036]
s33、对测试集使用训练后的回归模型，验证回归模型的准确率，然后根据该准确率判断是否需要继续调整bp神经网络回归模型的超参数，优化回归模型。
[0037]
进一步地，所述步骤s4具体如下：
[0038]
s41、确定多目标优化问题的目标函数及约束条件；
[0039]
s42、结合bp神经网络回归模型，利用nsga-ii算法优化螺旋翅片管的结构参数；
[0040]
其中，nsga-ii算法的输入变量为螺旋翅片管结构参数，输出变量为优化后的螺旋
翅片管结构参数，优化准则为：优化后的螺旋翅片管具有较高的传热j因子与较低的阻力f因子。
[0041]
s43、结合优化后的螺旋翅片管结构参数建立散热仿真模型，开展散热仿真实验，观察优化后的螺旋翅片管表面的努塞尔系数云图、流体域压力、速度分布云图，计算优化后的传热j因子与阻力f因子，比较优化效果。
[0042]
本发明的有益效果是：本发明的方法首先使用三维建模软件，建立螺旋翅片管式换热器散热仿真模型并进行有限元网格划分，结合正交实验方法，开展散热仿真实验，计算换热性能评价指标j因子、阻力性能评价指标f因子，再建立螺旋翅片管结构参数与j因子、f因子间的bp神经网络回归模型，最后采取nsga-ii算法优化螺旋翅片管结构参数，根据优化得出的结构参数对螺旋翅片管建模并开展散热仿真实验，比较优化效果。本发明的方法将bp神经网络回归模型与nsga-ii算法运用于螺旋翅片管结构参数的多目标寻优问题，使优化后的螺旋翅片管式换热器具有较优的传热性能及较低的阻力性能，改善了现有基于物理实验进行优化设计时间成本、经济成本高的缺点。
附图说明
[0043]
图1为本发明的一种螺旋翅片管式换热器的结构优化方法的流程图。
[0044]
图2为本发明实施例中螺旋翅片管几何模型二维图。
[0045]
图3为本发明实施例中含空气域的三维仿真模型图。
[0046]
图4为本发明实施例中有限元网格图。
[0047]
图5为本发明实施例中bp神经网络回归模型建立流程图。
[0048]
图6为本发明实施例中人工神经网络神经元权重和偏置示意图。
[0049]
图7为本发明实施例中bp神经网络模型图。
[0050]
图8为本发明实施例中bp神经网络回归模型图。
[0051]
图9为本发明实施例中传热j因子预测情况图。
[0052]
图10为本发明实施例中阻力f因子预测情况图。
[0053]
图11为本发明实施例中nsga-ii算法流程图。
[0054]
图12为本发明实施例中优化前后螺旋翅片管几何模型对比图。
[0055]
图13为本发明实施例中优化前后螺旋翅片管表面nu对比图。
具体实施方式
[0056]
下面结合附图与实施例对本发明的方法作进一步地的说明。
[0057]
如图1所示，本发明的一种螺旋翅片管式换热器的结构优化方法流程图，具体步骤如下：
[0058]
s1、使用三维建模软件，建立螺旋翅片管式换热器散热仿真模型；
[0059]
s2、对散热仿真模型进行有限元网格划分，结合正交实验方法，开展散热仿真实验，计算换热性能评价指标j因子、阻力性能评价指标f因子；
[0060]
s3、利用bp神经网络算法，建立螺旋翅片管结构参数与j因子、f因子间的bp神经网络回归模型；
[0061]
s4、结合bp神经网络回归模型，采取nsga-ii算法优化螺旋翅片管结构参数，根据
优化得出的结构参数对螺旋翅片管建模并开展散热仿真实验，比较优化效果。
[0062]
在本实施例中，所述步骤s1具体如下：
[0063]
s11、确定螺旋翅片管的结构参数及取值范围，建立螺旋翅片管的几何模型；
[0064]
所述螺旋翅片管的结构参数包括：翅片管直径、翅片管厚度、螺距、翅片厚度、翅片高度。
[0065]
本实施例中螺旋翅片管结构参数及取值范围如表1所示，，螺旋翅片管的几何模型二维图如图2所示。
[0066]
表1
[0067][0068]
s12、在螺旋翅片管的几何模型中建立空气域，空气与螺旋翅片管之间存在流固耦合面；
[0069]
其中，含空气域的三维仿真模型图如图3所示。
[0070]
s13、记录空气域的体积及表面积，计算空气域的特征长度；
[0071]
特征长度计算式如下：
[0072][0073]
其中，vf表示空气域的体积，af表示空气域的表面积。
[0074]
在本实施例中，所述步骤s2具体如下：
[0075]
s21、如图4所示，有限元网格图，对初始散热仿真模型进行有限元网格划分，并且进行网格无关性验证，确定最佳的网格数范围；
[0076]
s22、结合正交实验方法，根据螺旋翅片管的结构参数设计正交实验表；
[0077]
其中，螺旋翅片管含有5个结构参数，正交实验表如表2所示。
[0078]
表2
[0079][0080]
s23、在不同的风速情况下，利用仿真软件开展散热仿真实验；散热仿真实验设置如下：
[0081]
1、边界条件设置：
[0082]
进口：将空气入口面设置为velocity-inlet边界，速度0-4m/s，温度300k，压强0pa
(静压为0pa表示与环境压强相同)；
[0083]
出口：将空气出口面设置为pressure-outlet边界，边界温度300k，压强0pa；
[0084]
壁面：将“wall-hot”面设置为wall边界，边界温度为373.15k。
[0085]
2、算法设置：coupled算法。
[0086]
3、材料设置：螺旋翅片管材料设置为copper，流体域材料设置为空气。
[0087]
s24、根据散热仿真实验结果，记录散热稳定状态下的流固交界面努塞尔系数、进出口压差、最小截面处风速；
[0088]
s25、根据流固交界面努塞尔系数nu、螺旋翅片管最小截面处风速v
max
、空气域的特征长度de计算换热性能评价指标j因子，根据空气域的特征长度de、进出口压差δp、螺旋翅片管最小截面处风速v
max
计算阻力性能评价指标f因子；
[0089]
j因子与f因子的计算式分别为：
[0090][0091][0092][0093]
其中，re表示雷诺数，pr表示空气普朗特数，ρ表示空气密度，l表示流动方向上的长度，μ0表示空气动力黏度(kg/m
·
s)。
[0094]
s26、建立关键截面云图，观察实验过程中温度的变化情况。
[0095]
在本实施例中，所述步骤s3具体如下：
[0096]
s31、按照30％的测试集比例将样本集随机划分为训练集和测试集；
[0097]
s32、对训练集与测试集进行归一化，归一化处理后，开展模型训练，建立bp神经网络回归模型；
[0098]
归一化可以使模型更好地学习数据之间的关系，从而提高其泛化能力。
[0099]
归一化公式如下：
[0100][0101][0102]
其中，xi表示自变量的实际值，yi表示因变量的实际值。xi'与yi'表示对应变量归一化后的值。
[0103]
在预测时，采用回归模型计算出预测值后，对预测值进行归一化还原，还原公式如下：
[0104][0105]
其中，表示因变量的预测值，表示归一化后的因变量的预测值。
[0106]
回归模型的自变量为螺旋翅片管的结构参数及风速，因变量为换热性能评价指标j因子、阻力性能评价指标f因子。
[0107]
其中，所述风速为进口处的空气速度。
[0108]
如图5所示，所述bp神经网络回归模型建立步骤具体如下：
[0109]
1)收集数据：收集包含自变量和因变量的数据集，如前文所述，数据为螺旋翅片管的结构参数、风速及根据数值模拟实验得到的流固交界面努塞尔系数、进出口压差、螺旋翅片管最小截面处风速；
[0110]
2)数据预处理：对数据进行预处理，包括：缺失值填充、异常值处理、变量归一化；
[0111]
3)拆分数据集：将数据集拆分成训练集和测试集，通常采用随机抽样的方法；
[0112]
4)选择模型：根据数据的特征和问题的需求选择合适的模型，包括：线性回归、岭回归、多元线性回归；
[0113]
5)拟合模型：使用训练数据对选择的模型进行拟合，得到模型参数；
[0114]
6)模型评估：使用测试集对拟合好的模型进行评估，包括：计算均方误差(mse)、平均绝对误差(mae)、可决系数(r2)；
[0115]
7)使用模型：使用训练好的模型对新的数据进行预测，得到预测结果；
[0116]
8)模型优化：根据评估结果进行模型优化，包括：选择新的特征、调整模型超参数；将经调整后的参数带入步骤5)重新开始模型训练，最后对不同参数下的模型效果进行对比，选择最优模型与参数。
[0117]
人工神经网络算法的概念如下：人工神经网络(artificial neural network，ann)是一类由多个节点或神经元组成的计算模型。ann中的神经元通常被组织成多个层次，其中每层神经元只与前一层的神经元连接，且处于同一层的神经元之间没有连接。输入层接受原始数据输入，而输出层则输出最终结果。每个层由多个神经元组成，每个神经元都有一个权重和一个偏置，通过对输入层进行加权并且加偏置后，再通过激励函数进行非线性转换得到输出。神经元权重和偏置如图6所示。
[0118]
反向传播神经网络(back propagation neural network，bpnn)作为ann的一个分支，其特点是在神经网络信号前向传输的基础上增加了误差的反向传播的环节，如图7所示。
[0119]
将图6所示神经元模型以数学形式描述如下：
[0120]
y＝xw+b
[0121][0122]
其中，y＝[y1,y2,y3]，yj表示输出层神经元节点的值，y表示输出向量；x＝[x1,x2,x3,x4]，xi表示输入层神经元节点的值，x表示输入向量；w表示该层神经元的权重矩阵，w
ij
表示输入层第i个神经元节点对于输出层中第j个神经元的加权系数；b＝[b1,b2,b3]，bj表示输出层第j个神经元节点的偏置值，b表示输出层的偏置向量。
[0123]
在误差的反向传播环节中，权重矩阵与偏置向量通过以下公式更新：
[0124]
[0125][0126]
其中，w
(k)
表示第k次迭代w的值，b
(k)
表示第k次迭代b的值，η表示bpnn的学习率，可根据迭代效果人为调整。
[0127]
s33、对测试集使用训练后的回归模型，验证回归模型的准确率，然后根据该准确率判断是否需要继续调整bp神经网络回归模型的超参数，优化回归模型；
[0128]
训练集的输入层数据为67*6的二维矩阵，表示共67组样本数据，每组样本含有6个特征，作为自变量。输出层数据为67*2的二维矩阵，表示共67组样本，每组样本含有2个特征，作为因变量。本实施例中，bp神经网络回归模型训练集数据如表3所示。
[0129]
表3
[0130][0131]
训练完成后，得到初始学习率下bp神经网络回归模型的参数值及训练误差情况，训练集评价指标如表4所示。此时bp神经网络回归模型的学习率为0.005，隐藏层数为1，隐藏层节点数量为10。
[0132]
表4
[0133][0134]
其中，rmse(均方根误差)表示mse(均方误差)的平方根，mse与mae(平均绝对误差)的计算公式如下：
[0135]
[0136]
其中，n表示数据的样本量，yi表示数据的真实值，表示数据的预测值。
[0137]
由表4可知可决系数r2的值均小于0.8，可见该回归模型还可以继续优化。
[0138]
通过调整该bp神经网络的学习率，得到较优模型，该模型的学习率为0.2，由表5可知，此时j与f的可决系数r2均大于0.85，模型具有较好的回归效果，该回归模型的结构如图8所示。优化后的回归模型在训练集上的评价指标如表5所示。
[0139]
表5
[0140][0141]
用函数表示螺旋翅片管的结构参数与传热j因子与阻力f因子的关系为：
[0142]
y＝f(x)
[0143]
其中，x表示螺旋翅片管的结构参数组成的五维向量，即x＝[xd,x
t1
,xs,x
t2
,xh]，xd,x
t1
,xs,x
t2
,xh分别表示翅片管直径、翅片管厚度、螺距、翅片厚度、翅片高度；y表示由该组螺旋翅片管对应的j因子与f因子组成的二维向量，即y＝[j,f]。
[0144]
则该bp神经网络回归模型的公式表示为：
[0145]ym1
＝w1x+b1[0146][0147]
y＝w2y
m2
+b2[0148]
其中，x表示输入变量，y
m1
表示隐含层中经过加权与偏置的中间变量，y
m2
表示中间变量经过激活函数处理后的隐含层输出变量，y表示输出变量。w1及b1分别表示输入层的加权系数及偏置，w2及b2分别表示隐含层的加权系数及偏置。relu表示与之对应的激活函数。
[0149]
对测试集使用训练后的回归模型，验证回归模型的准确率；预测集中，输入层数据为33*6的二维矩阵，输出层数据为33*2的二维矩阵，bp神经网络回归模型测试集数据如表6所示。
[0150]
表6
[0151][0152]
对测试集使用训练后的回归模型进行预测，验证回归模型的预测准确率，预测准确率由表7可知，其中，j与f的可决系数均大于0.8，可见预测效果较好。bp神经网络回归模型用于测试集上的评价指标如表7所示。
[0153]
表7
[0154][0155]
传热j因子预测情况如图9所示，阻力f因子预测情况如图10所示。
[0156]
在本实施例中，所述步骤s4具体如下：
[0157]
s41、确定多目标优化问题的目标函数及约束条件；
[0158]
s42、结合bp神经网络回归模型，利用nsga-ii算法优化螺旋翅片管的结构参数；
[0159]
nsga-ii算法的输入变量为螺旋翅片管结构参数，输出变量为优化后的螺旋翅片管结构参数，优化准则为：优化后的螺旋翅片管具有较高的传热j因子与较低的阻力f因子。
[0160]
如图11所示，nsga-ii算法计算步骤，具体如下：
[0161]
(1)初始化种群：随机生成一组初始个体，构成一个初始种群；
[0162]
(2)评估种群的适应度：计算个体的适应度值，表示其在目标空间中的表现；
[0163]
(3)非支配排序和拥挤度计算：对每个个体进行非支配排序，将种群划分为多个等级，并计算每个个体的拥挤度值；
[0164]
(4)选择新的种群：根据非支配排序和拥挤度值，选择一组最优的个体作为下一代种群的父代；
[0165]
(5)进行交叉操作：对父代个体进行交叉操作，生成一组新的子代个体；
[0166]
(6)进行变异操作：对子代个体进行变异操作，生成一组新的变异后的子代个体；
[0167]
(7)评估新生成的个体的适应度：根据适应度函数计算每个新个体的适应度值；
[0168]
(8)保留精英个体：将父代个体和新的子代个体进行合并，组成一组新的种群，并对其进行非支配排序以及计算拥挤度；
[0169]
(9)选择新的种群：根据非支配排序和拥挤度值，将一组最优的个体作为下一代种群的父代；
[0170]
(10)重复步骤(5)到(9)，直到满足终止条件。
[0171]
本实施例中，使用传热j因子与阻力f因子作为螺旋翅片管换热器的散热性能与阻力评价指标，因此含有2个优化目标，将螺旋翅片管的翅片管直径d、翅片管厚度t1、螺距s、翅片厚度t2、翅片高度h作为优化设计变量，同时5个优化设计变量还需满足一定的取值范围，设计变量取值范围如表8所示。
[0172]
表8
[0173][0174]
本实施例中的多目标优化问题的数学模型描写如下：
[0175][0176]
其中，x＝[xd,x
t1
,xs,x
t2
,xh]，x表示由螺旋翅片管结构参数组成的五维向量，f1(x)＝1/j，f2(x)＝f。
[0177]
其中，j与f的计算通过bp神经网络回归模型，计算公式如下：
[0178]
[j,f]＝y＝f(x)＝w2·
relu(w1x+b1)+b2[0179]
s43、结合优化后的螺旋翅片管结构参数建立散热仿真模型，开展散热仿真实验，观察优化后的螺旋翅片管表面的努塞尔系数云图、流体域压力、速度分布云图，计算优化后的传热j因子与阻力f因子，比较优化效果；
[0180]
在多目标优化过程中，通过bp神经网络回归模型计算j与f，加快了优化速度。
[0181]
优化前后螺旋翅片管结构参数变化如表9所示，为对优化后的变量进行四舍五入后，保留一位小数的值，使得数据符合加工精度的要求。
[0182]
表9
[0183][0184]
根据优化后的螺旋翅片管结构参数，建立相应的几何模型并采用fluent对其进行散热仿真计算，用tecplot进行后处理，得到优化前后翅片表面的努塞尔系数云图、流体域压力、速度分布云图。
[0185]
螺旋翅片管优化前后的几何模型如图12所示，由图可见，优化后螺旋翅片管的管径减小、翅片高度减小、螺距增大。
[0186]
优化前后螺旋翅片管表面nu对比如图13，由图可见，在相同的操作条件下，优化后螺旋翅片管的表面nu更大，表明优化后的螺旋翅片管表面散热能力更强。
[0187]
综上，基于上述实施例，开展仿真实验，可以直观观察优化前后螺旋翅片管中热量分布、各部分换热性能改善情况。本发明的方法改善了现有基于物理实验进行优化设计的时间成本、经济成本高的缺点，同时采用nsga-ii算法使得可以同时优化螺旋翅片管的传热性能及阻力性能，将bp神经网络回归模型与nsga-ii算法相结合，使得nsga-ii算法中对于传热j因子、阻力f因子的计算速度更快。
[0188]
本领域的普通技术人员将会意识到，这里所述的实施例是为了帮助读者理解本发明的原理，应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合，这些变形和组合仍然在本发明的保护范围内。

技术特征：
1.一种螺旋翅片管式换热器的结构优化方法，具体步骤如下：s1、使用三维建模软件，建立螺旋翅片管式换热器散热仿真模型；s2、对散热仿真模型进行有限元网格划分，结合正交实验方法，开展散热仿真实验，计算换热性能评价指标j因子、阻力性能评价指标f因子；s3、利用bp神经网络算法，建立螺旋翅片管结构参数与j因子、f因子间的bp神经网络回归模型；s4、结合bp神经网络回归模型，采取nsga-ii算法优化螺旋翅片管结构参数，根据优化得出的结构参数对螺旋翅片管建模并开展散热仿真实验，比较优化效果。2.根据权利要求1所述的一种螺旋翅片管式换热器的结构优化方法，其特征在于，所述步骤s1具体如下：s11、根据螺旋翅片管的结构特点确定螺旋翅片管的结构参数，根据实际需求确定结构参数的取值范围，建立螺旋翅片管的几何模型；所述螺旋翅片管的结构参数包括：翅片管直径、翅片管厚度、螺距、翅片厚度、翅片高度；s12、在螺旋翅片管的几何模型中建立空气域，空气与螺旋翅片管之间存在流固耦合面；s13、记录空气域的体积及表面积，计算空气域的特征长度；特征长度计算式如下：其中，v
f
表示空气域的体积，a
f
表示空气域的表面积。3.根据权利要求1所述的一种螺旋翅片管式换热器的结构优化方法，其特征在于，所述步骤s2具体如下：s21、对初始散热仿真模型进行有限元网格划分，并且进行网格无关性验证，确定最佳的网格数范围；s22、结合正交实验方法，根据螺旋翅片管的结构参数设计正交实验表；s23、在不同的风速情况下，利用仿真软件开展散热仿真实验；s24、根据散热仿真实验结果，记录散热稳定状态下的流固交界面努塞尔系数、进出口压差、最小截面处风速；s25、根据流固交界面努塞尔系数nu、螺旋翅片管最小截面处风速v
max
、空气域的特征长度de计算换热性能评价指标j因子，根据空气域的特征长度de、进出口压差δp、螺旋翅片管最小截面处风速v
max
计算阻力性能评价指标f因子；j因子与f因子的计算式分别为：j因子与f因子的计算式分别为：
其中，re表示雷诺数，pr表示空气普朗特数，ρ表示空气密度，l表示流动方向上的长度，μ0表示空气动力黏度(kg/m
·
s)；s26、建立关键截面云图，观察实验过程中温度的变化情况。4.根据权利要求1所述的一种螺旋翅片管式换热器的结构优化方法，其特征在于，所述步骤s3具体如下：s31、按照30％的测试集比例将样本集随机划分为训练集和测试集；s32、对训练集与测试集进行归一化，归一化处理后，开展模型训练，建立bp神经网络回归模型；所述回归模型的自变量为螺旋翅片管的结构参数及风速，因变量为换热性能评价指标j因子、阻力性能评价指标f因子；所述风速为进口处的空气速度；s33、对测试集使用训练后的回归模型，验证回归模型的准确率，然后根据该准确率判断是否需要继续调整bp神经网络回归模型的超参数，优化回归模型。5.根据权利要求1所述的一种螺旋翅片管式换热器的结构优化方法，其特征在于，所述步骤s4具体如下：s41、确定多目标优化问题的目标函数及约束条件；s42、结合bp神经网络回归模型，利用nsga-ii算法优化螺旋翅片管的结构参数；其中，nsga-ii算法的输入变量为螺旋翅片管结构参数，输出变量为优化后的螺旋翅片管结构参数，优化准则为：优化后的螺旋翅片管具有较高的传热j因子与较低的阻力f因子；s43、结合优化后的螺旋翅片管结构参数建立散热仿真模型，开展散热仿真实验，观察优化后的螺旋翅片管表面的努塞尔系数云图、流体域压力、速度分布云图，计算优化后的传热j因子与阻力f因子，比较优化效果。

技术总结
本发明公开了一种螺旋翅片管式换热器的结构优化方法，首先使用三维建模软件，建立螺旋翅片管式换热器散热仿真模型并进行有限元网格划分，结合正交实验方法，开展散热仿真实验，计算换热性能评价指标j因子、阻力性能评价指标f因子，再建立螺旋翅片管结构参数与j因子、f因子间的BP神经网络回归模型，最后采取NSGA-II算法优化螺旋翅片管结构参数，根据优化得出的结构参数对螺旋翅片管建模并开展散热仿真实验，比较优化效果。本发明的方法将BP神经网络回归模型与NSGA-II算法运用于螺旋翅片管结构参数的多目标寻优问题，使优化后的螺旋翅片管式换热器具有较优的传热性能及较低的阻力性能，改善了现有基于物理实验进行优化设计时间成本、经济成本高的缺点。经济成本高的缺点。经济成本高的缺点。


技术研发人员：鲁聪 龙浪 杨靖 余熠 朱海龙
受保护的技术使用者：电子科技大学
技术研发日：2023.06.02
技术公布日：2023/8/16