摘要:提出了一种自动修正翅片管换热器仿真精度的方法.根据用户所能提供实验数据的数量,采用不同的策略,实验数据较少时采用简单的多项式回归的形式来建立管外空气侧换热系数修正因子的修正多项式;实验数据较多时采用人工神经网络的方式来得到管外空气侧换热系数修正因子的神经网络关联模型.用于实际的仿真计算时,修正前的换热量误差最大28. 96%o,平均为11.12 %o;采用多项式修正后误差最大15.33 ,平均5.38 %;采用神经网络修正后误差最大4.9月,平均1.000.
换热器性能的准确预测,对于使用换热器装置的优化设计、降低能耗具有关键的作用.翅片管换热器应用广泛,我国仅每年用于空调器上作为蒸发器或冷凝器的翅片管式换热器即达数千万套,因此通过数学模型精确地预测翅片管换热器的性能非常重要.
通常,换热器仿真软件中存在两类误差:① 模型和计算误差,即建模时的假设、解析方程转换成离散方程及计算机位数的截断导致的误差;② 经验关联式的误差,如管内制冷剂侧与管外空气侧换热系数等.从换热器仿真程序的现状来看,第一类误差已经比较小,通过调整这类误差来改善仿真程序精度的余地也比较小.第二类误差较大,比如通过试验整理得到的空气侧换热系数与翅片高度、形状、管排数和分路数等多种因素有关,故在其试验工况数据范围内进行公式整理时,会有一定误差,当公式外推使用时精度将更低;如果所用的翅片管换热器的结构尺寸或工作状态与该式整理时所依赖结构及工况参数相差较大时,偏差就会更大,因此有必要通过对有关参数的调整来改善程序的仿真精度.
在现有的研究中,已开始将人工智能用于空调制冷系统的仿真[1-3].在对于翅片管式换热器的建模中,考虑将分布参数模型简化成集中参数模型,并通过2个神经网络分别用于修正分布参数模型与集中模型之间的偏差以及传热关联式的偏差川.但这样得到的换热器模型中,神经网络占了非常重要的成分,所需要的用于训练神经网络的数据必须非常多,不能用于实验数据量较少的场合.目前已能够应用的分布参数模型川所用的修正方式为:可以人为地调整换热及压降关联式或总传热系数的修正因子项,让用户根据与实验数据的对比结果,人为地试凑这些修正因子以达到修正程序仿真精度的目的.这种方法可以让用户根据不同的实验数据,选择不同的修正因子,自适应地调整程序的仿真精度.但这需要用户自己通过多次的试凑来实现,费时费力.而且这种调整方法只能是针对几个实验数据点来调整,若实验数据较多,则用户很难在短时间内针对这些实验数据得出一个很好的修正因子.为了综合各种方式的优点,本文提出一种让程序能够根据实验数据量的多少自动选择修正方式的方法,并进行实际应用的检验.
1 自校正方法描述
换热器仿真程序中使用的管内制冷剂侧与管外空气侧换热系数的计算公式都有一定的误差,后者要比前者小一个数量级,因此在总的换热系数中,误差主要集中在空气侧换热系数计算这一部分.要达到让仿真程序具有自适应、自调整的功能,就要使仿真程序能够根据实验数据的结构、工况以及实际的换热性能等参数,自动计算出所需要的空气侧换热系数的修正因子,并在此基础上,使仿真程序自动得到空气侧换热系数修正因子的回归多项式或神经网络关联模型.
1. 1 空气侧换热系数修正因子的计算
换热量和换热系数呈正比例关系,根据实验所得换热量的大小,可以调整换热系数的修正因子k,从而使得仿真所得换热量的值与实验所得值的相对误差小于。,计算过程如图1所示.图中Qexp为换热量的实验值,QCs。为换热量的仿真值.
全部回复(1 )
只看楼主 我来说两句 抢板凳