一种基于物理信息神经网络的换热系数空间分布反演方法

摘要: 本发明涉及传热学,具体涉及一种基于物理信息神经网络的换热系数空间分布反演方法。背景技术:1、对流换热系数是表征壁面与流体换热能力的关键参数,广泛影响换热器、电池...
一种基于物理信息神经网络的换热系数空间分布反演方法

本发明涉及传热学,具体涉及一种基于物理信息神经网络的换热系数空间分布反演方法。

背景技术:

1、对流换热系数是表征壁面与流体换热能力的关键参数,广泛影响换热器、电池热管理、航空发动机冷却通道、核反应堆元件等设备的设计与运行,但受流场不均匀、入口效应及边界层发展影响,其沿壁面方向常呈明显空间变化,难以用单一常数描述,且在换热器夹层、冷却通道等结构中壁面两侧往往同时存在对流换热,需同步获取两侧分布,因此准确获取空间分布

h(

z)意义重大,然而受装配空间与测温成本制约,工业现场往往只能布置有限测点,如何在稀疏含噪测温数据下反演出沿壁面连续变化、覆盖两侧的换热系数分布,已成为传热反问题领域的关键难题;现有技术主要有两类,一是以tikhonov正则化、共轭梯度法、levenberg-marquardt及beck顺序函数估计法为代表的传统数值优化方法,通过反复迭代求解正问题与灵敏度方程逼近测量温度,多适用于测点密集、参数较少的场景,二是基于物理信息神经网络的方法,将pde残差、边界残差与测量残差嵌入损失函数实现温度场重构进行一体化求解,但多针对常数或单侧换热情形;上述方法在稀疏含噪条件下反演两侧

h(

z)时仍存不足:其一,传统方法依赖初值、需反复调用正问题求解器、计算成本高,数据稀疏或含噪时易震荡发散、鲁棒性差,且连续h(z)离散化后参数维度上升,加剧不适定性;其二,现有pinn方法多将换热系数视为标量、无法实现

h(

z)连续函数的端到端反演,且约束设计不足,既缺乏物理可行性约束而易出现非物理解,又缺乏空间正则约束而在测点减少或噪声增大时出现高频震荡。

2、因此,本领域需要一种能在稀疏含噪测温下准确、稳定反演壁面两侧换热系数空间连续分布的新型方法。

技术实现思路

1、为了解决上述背景技术中存在的不足,本发明提供一种基于物理信息神经网络的换热系数空间分布反演方法,用以解决现有技术中纯数值反演算法中的求解结果震荡,难以反映非均匀边界条件下的真实换热情况,建模复杂、计算耗时长,对边界条件敏感以及预测结果与物理规律不符的问题。

2、本发明第一个目的是提供一种基于物理信息神经网络的换热系数空间分布反演方法,用于计算换热壁面的换热系数空间分布,包括:

3、基于换热壁面建立稳态二维导热反问题的物理模型,根据物理模型在二维计算域内建立稳态二维导热方程,以及左侧和右侧边界施加robin对流换热边界条件、在上端面和下端面施加绝热边界条件,获取沿换热壁面展向布置的壁温测量数据;其中,测量数据包括布置点的温度和对应的坐标;

4、构建复合神经网络架构,包括温度场神经网络和两个换热系数子网络;所述温度场神经网络以归一化坐标为输入、归一化温度为输出;所述两个换热系数子网络分别以归一化展向坐标为输入、一维实数为输出,分别用于反演左侧和右侧的换热系数空间分布;

5、通过有界激活映射将所述换热系数子网络的原始输出映射至物理可行区间;

6、构造包含数据约束、物理约束与正则约束的复合损失函数,所述数据约束损失为壁温测点处神经网络预测温度与归一化测量值的偏差,所述物理约束损失包括归一化拉普拉斯方程在域内配点处的残差损失、左侧和右侧robin对流换热边界条件损失以及上端面和下端面绝热边界条件损失,所述正则约束损失为换热系数子网络输出沿展向坐标的光滑性损失;

7、采用优化算法对所述复合神经网络进行联合训练,对温度场神经网络和两个换热系数子网络的可学习参数同时更新,训练过程中对pde域内配点采用全局均匀采样与近壁加密采样相结合的采样策略,并每隔预设迭代步数对pde配点进行重采样;

8、训练收敛后,将展向坐标输入两个换热系数子网络,经由有界激活映射输出沿壁面方向的左侧、右侧换热系数空间连续分布。

9、在一实施例中,所述温度场神经网络采用多隐层全连接结构,所述两个换热系数子网络分别采用单输入单输出的全连接结构。

10、在一实施例中,所述稳态二维导热方程为稳态二维拉普拉斯方程。

11、在一实施例中,所述有界激活映射包括:定义有界激活函数为:

12、

13、并令换热系数为:

14、

15、式中,、分别为换热系数物理可行区间下限与上限;为换热系数子网络的原始输出。

16、在一实施例中,所述复合损失函数表示为:

17、

18、式中,为壁温测点处神经网络预测温度与归一化测量值的损失函数;为归一化拉普拉斯方程在域内随机配点处的残差损失函数;和分别为左侧和右侧robin边界条件损失函数;与分别为上端面和下端面绝热边界温度梯度的损失函数;为换热系数子网络归一化输出沿展向坐标的二阶导数损失函数;、、、、和分别为数据约束损失、pde控制方程残差损失、左侧换热边界损失、右侧换热边界损失、绝热边界损失和光滑性正则损失对应的权重系数。

19、在一实施例中,所述和分别包含通过对应换热系数子网络输出的当地biot数,其中为反演得到的换热系数,为特征长度,为固体导热系数;

20、所述与分别为上端面和下端面绝热边界处温度对法向坐标的梯度损失函数;

21、所述光滑正则项权重在训练全程取固定值。

22、在一实施例中,采用adam优化算法对所述复合神经网络进行联合训练。

23、在一实施例中,所述近壁加密采样区域为robin边界附近的局部区域,以加强边界附近pde残差的约束精度;

24、每隔预设迭代步数对pde域内配点进行全局重采样,以替换原有配点集合参与后续迭代训练。

25、本发明第二个目的是提供一种计算机程序产品,包括计算机程序,所述计算机程序被处理器执行时实现基于物理信息神经网络的换热系数空间分布反演方法。

26、本发明第三个目的是提供一种用于基于物理信息神经网络的换热系数空间分布反演方法的系统,包括:

27、模型构建模块,用于基于换热壁面建立稳态二维导热反问题的物理模型,根据物理模型在二维计算域内建立稳态二维导热方程,以及左侧和右侧边界施加robin对流换热边界条件、在上端面和下端面施加绝热边界条件,获取沿换热壁面展向布置的壁温测量数据;其中,测量数据包括布置点的温度和对应的坐标;

28、网络构建模块,用于构建复合神经网络架构,包括温度场神经网络和两个换热系数子网络;所述温度场神经网络以归一化坐标为输入、归一化温度为输出;所述两个换热系数子网络分别以归一化展向坐标为输入、一维实数为输出,分别用于反演左侧和右侧的换热系数空间分布;通过有界激活映射将所述换热系数子网络的原始输出映射至物理可行区间;构造包含数据约束、物理约束与正则约束的复合损失函数,所述数据约束损失为壁温测点处神经网络预测温度与归一化测量值的偏差,所述物理约束损失包括归一化拉普拉斯方程在域内配点处的残差损失、左侧和右侧robin对流换热边界条件损失以及上端面和下端面绝热边界条件损失,所述正则约束损失为换热系数子网络输出沿展向坐标的光滑性损失;

29、网络训练模块,用于采用优化算法对所述复合神经网络进行联合训练,对温度场神经网络和两个换热系数子网络的可学习参数同时更新,训练过程中对pde域内配点采用全局均匀采样与近壁加密采样相结合的采样策略,并每隔预设迭代步数对pde配点进行重采样;训练收敛后,将展向坐标输入两个换热系数子网络,经由有界激活映射输出沿壁面方向的左侧、右侧换热系数空间连续分布。

30、本发明至少具有如下有益效果:

31、本发明提供一种基于物理信息神经网络的换热系数空间分布反演方法,与现有技术相比,至少具有如下有益效果:

32、第一,本发明通过构建温度场神经网络

net_t与左右两侧独立换热系数子网络

net_hl、

net_hr的复合架构,将换热系数视为沿壁面方向连续变化的函数

h(

z)进行端到端反演,实现了换热壁面两侧空间连续换热系数分布的同步获取。

33、第二,本发明通过引入有界激活映射

h=

hmin+(

hmax

hmin)×

σ(

raw),将神经网络输出严格约束在物理可行区间[

hmin,

hmax]内,从根本上避免了反演过程中出现负值或超出合理工况范围的非物理解,提升了反演结果的工程可用性。

34、第三,本发明通过在复合损失函数中引入换热系数沿壁面方向的二阶光滑正则项有效抑制了稀疏测点所导致的反演结果的高频震荡,提升了反演鲁棒性。

35、第四,本发明无需调用外部正问题求解器,无需推导灵敏度方程,无需迭代式正反问题交替求解;相比传统tikhonov正则化、共轭梯度法等数值反演方法,本发明的计算流程更简洁,对初值依赖性更低,避免了传统方法在稀疏含噪测温条件下易出现震荡甚至发散的问题。

36、第五,经二维稳态导热解析解结果对比验证,本发明在15个测点、温度噪声标准差0.5k的工况下,沿壁面中段区域的换热系数反演相对误差小于5%;在测点数量减至7个的稀疏配置下仍能保持工程精度。该结果降低了工业现场对换热壁面密集测温的需求,对换热器、电池热管理系统、航空发动机冷却通道等热工设备的精细化设计与优化运行具有一定工程应用价值。