来源：期刊VIP网 时间：
作者：韩莎莎1;3;李兴涛1;3;何畅2;3;张冰剑1;3;陈清林1;3
单位：中山大学材料科学与工程学院， 广东 广州 510006;中山大学 化学工程与技术学院， 广东珠海 519082;广东省石化过程节能工程技术研究中心， 广东 广州 510275
摘要：为了准确预测蒸发器中流体流动沸腾传热性能，基于实验数据驱动，采用机器学习中多层感知器(MLPN)为通用逼近器，粒子群算法(PSO)用于优化网络权重和偏置，建立PSO-MLPN模型预测12种流体流动沸腾传热特性。神经网络输入参数包括管内径、质量流密度、热流密度、气相质量分数、液体物性参数组合和其他参数(Martinelli数，摩尔质量和汽化潜热)，输出参数为流动沸腾传热系数。网络隐藏层数和神经元数由模型精度和灵敏度分析决定。结果表明，预测值与实验值的平均绝对误差、均方根偏差和决定系数分别为3.74%、10.09% 和0.984，其中约90%数据的偏差在 ±20% 以内，与传统经验关联式对比也证明了预测模型的优越性。研究提出的PSO-MLPN模型可为今后两相流传热性能研究提供参考，并可用于实际蒸发器设计优化。
关键词：流体;流动沸腾;神经网络;传热系数;蒸发器
基金资助：国家自然科学基金(22078373)。
