运用遗传算法对流量特性神经网络关联模型优化

3.0 闻远设计 2024-04-23 88 6 118.83KB 4 页免费

侵权投诉

运用遗传算法对流量特性神经网络关联模型优

化

1 、前言

节流机构是制冷系统中最重要的部件之一节流机构与蒸发器、制冷压缩机和冷凝器的良好匹配

将直接影响制冷系统的工作效率和实际性能。因此对节流机构流量系数的研究一直是相关领域

的一个研究热点。由于毛细管结构简单、成本低廉,在小型制冷系统中常用毛细管作为节流机

构,但毛细管节流元件存在着流量的自调节能力较弱等问题,毛细管的性能优劣与设计计算相关

度较大,因此在毛细管的流量特性研究中计算模型的研究尤为重要。

毛细管流量特性的计算模型,传统上采用基于流体力学的数学和物理模型,随着计算机数值模拟

和仿真技术的发展,许多新的研究方法应用于毛细管流量特性的研究,张春路与丁国良等人采用

多层前向人工神经网络作为关联模型来辨识绝热毛细管的流量特性,并且得到了比传统思路绝热

毛细管流量特性关联模型更好的关联精度。现有毛细管流量特性神经网络研究方法大多采用

BP 神经网络,BP 网络训练常用基于梯度信息的学习算法,误差函数根据神经网络权值的梯度进

行修正,BP 算法的初始权值是随机生成的, 而不同的初始权值对网络训练精度有很大影响。针对

BP 神经网络对初始权值敏感的问题,有研究结合讨论了遗传算法与神经网络相结合的可行性并

且将遗传算法 - 神经网络模型应用到实际应用中但是将该方法应用到毛细管流量特性预测的研

究未见报道,因此拟采用遗传算法对流量特性神经网络关联模型的初始权值与阈值进行优化,以

期得到更好的关联精度以及更快的关联速度。

2 、基于神经网络和遗传算法的毛细管流量特性关联模型

建立毛细管流量特性的神经网络关联模型需要考虑以下几个主要方面: 神经网络的输入与输出

参数、隐层数与隐层神经元数、学习与检验样本以及学习算法等。

2.1 输入与输出参数

参数的选择由研究目的决定,本文研究毛细管流量特性,因此选取毛细管的质量流量作为人工神

经网络的输出参数。神经网络的输入参数取决于研究对象的特性。对于一定的制冷工质,影响毛

细管流量特性的主要因素有四个: 毛细管内径、管长、冷凝压力、进口过冷度。其他的一些相

对次要的影响因素在工程应用中通常被忽略不计。由于在正常情况下毛细管的进口为液体制冷

剂,故本文暂不考虑进口为汽液两相的情况。

2.2 与隐层神经元数的确定

前人的研究成果表明: 只要隐层神经元数充分多,用三层前向网络可以逼近任何闭区间内的一个

连续函数; 另一方面,隐层数越多,误差传递环节就会增加,导致神经网络的泛化性能下降,因此,本

文首先考虑采用三层前向网络进行数据关联。隐层神经元数直接影响神经网络的学习效果学习

速度、精度和泛化性能) 和表现能力。网络神经元数增多时,运行速度变慢,表现能力加强; 网络

神经元减少时,运行速度加快,表现能力减弱。

由于神经网络学习的样本一般都带有测量误差或计算误差,为追求高精度而采用过多的隐层神经

元反而会导致神经网络的学习效果下降。目前已有较多的方法用于确定隐层神经元数,但是最可

靠的方法还是试凑法,这一方法的效率较低,适用于网络规模较小的情况,因此对本文研究是合适

的。

通过试凑法确定最佳神经元数为 5, 即本文采用的网络结构为 4 -5 -1; 第一层为输入层, 输入量为

D、L、、分别表示毛细管内径、管长、冷凝温度、进口过冷度; 第二层为隐层,传递函数选用非

线性对数 S 型函数(Logsig) ; 第三层为输出层, 输出值为 m,表示质量流量。

表示输入层第j 神经元对隐层 i 神经元之间的权重表示输出层与隐层之间的权重为隐层的阈值

为输出层的阈值。

2.3 学习与检验样本

由于本文研究侧重于方法的研究和比较,需要较多的一致性好的样本,故采用由通用模型生成的

计算数据作为人工神经网络的学习和检验样本。在本文的研究中, 采用的制冷工质有和 R410A

四种, 选择 D. Jung 模型计算质量流量。Jung 关联式适用于以下条件⑴制冷剂⑵内径⑶入口流通

面积收缩比⑷冷凝温度: 40℃ ~55℃⑸过冷度: 0℃ ~5℃⑹单管质量流量⑺出口条件: 壅塞状

态。

质量流量计算式如下

其中参数见下表 1。

输入的各参数见下表 2。

按照表2 所示参数组合选择样本, 每种制冷剂的样本数是 336, 任取其中的 200 组作为训练样本,

剩余 136 组为检测样本。

2.4 学习算法

人工神经网络采用的模型多为经典的反向传播算法,为提高网络收敛速度,研究者们进行了许多

改进, 提出了不少基于非线性优化的训练算法。本文采用基于非线性最小二乘法的 LM 算法。

3 、遗传算法优化神经网络初始权值和阈值的实现

遗传算法(Genetic Algorithms) “ ”是模拟生物学中物竞天择、适者生存的自然选择和基因遗传机

制提出的并行随机优化算法。遗传算法优化神经网络初始权值和阈值的实现过程:

⑴基因编码。GA 工具箱支持二进制编码、格雷编码和浮点编码。本文采用浮点编码。

文档加载中……请稍候！
如果长时间未打开，您也可以点击刷新试试。

下载文档到电脑，查找使用更方便

免费 6人已下载

立即下载

摘要：

运用遗传算法对流量特性神经网络关联模型优化1、前言节流机构是制冷系统中最重要的部件之一节流机构与蒸发器、制冷压缩机和冷凝器的良好匹配将直接影响制冷系统的工作效率和实际性能。因此对节流机构流量系数的研究一直是相关领域的一个研究热点。由于毛细管结构简单、成本低廉,在小型制冷系统中常用毛细管作为节流机构,但毛细管节流元件存在着流量的自调节能力较弱等问题,毛细管的性能优劣与设计计算相关度较大,因此在毛细管的流量特性研究中计算模型的研究尤为重要。毛细管流量特性的计算模型,传统上采用基于流体力学的数学和物理模型,随着计算机数值模拟和仿真技术的发展,许多新的研究方法应用于毛细管流量特性的研究,张春路与丁国良...

展开>> 收起<<

运用遗传算法对流量特性神经网络关联模型优化.docx

共4页,预览2页

还剩页未读，继续阅读

运用遗传算法对流量特性神经网络关联模型优化

相关推荐

开通VIP享超值会员特权

作者详情

相关内容

推荐作者

热门标签

举报选择: