一种基于神经网络的冷却微通道的设计方法与流程

1.本发明涉及电子产品散热技术领域，具体涉及一种基于神经网络的冷却微通道的设计方法。


背景技术：

2.随着社会的发展，高功率电子产品越来越多，集成的芯片热流密度越来越高。已有研究表明电子芯片的温度每升高10℃，故障率会增加一倍，温度过高甚至可能引起内部损坏，造成安全事故。因此电子产品散热愈加重要。
3.微通道是一种重要的冷却方式，具有散热能力强、体积小、噪音小等优点。微通道的截面多为矩形和圆形等形状，但传统微通道存在通道压力损失较大、温度分布不均匀等缺点，传统微通道一般不能达到最优的冷却效果。传统微通道散热时流动阻力和散热效果存在相互制约的问题，当散热能力好时，一般流动阻力较大，当流动阻力小时，散热能力较差。


技术实现要素：

4.本发明的目的是克服现有技术中存在的不足，提供一种基于神经网络优化的冷却微通道的设计方法。该方法利用神经网络优化微通的拓扑结构，形成最优的散热结构。为了达到上述目的，本发明采用的技术方案为：
5.一种基于神经网络优化的冷却微通道装置及设计方法，包括以下步骤：
6.步骤1：确定流道设计变量γ，并设定初始值，该变量代表材料类别，表示固体或者流体；
7.γ取值范围为0～1，0代表固体，1代表流体；
8.步骤2：确定要求解的计算域、液体入口、出口位置及尺寸并在x方向和y方向上划分网格，网格划分为nelx
×
nely个有限元单元；
9.nelx：x方向上单元数；nely：y方向上单元数；
10.步骤3：确定设计域内关于设计变量γ，压力p，速度u和温度t的数学模型；
11.所述数学模型为下列动量方程和能量方程：
[0012][0013][0014]
式中：ρ为流道中液体密度；u为速度矢量；p为压强；μ为流体动力粘度；c
p
为比热容；t为温度；q为内热源；α(γ)为多孔介质中反渗透率，由下列方程式决定：
[0015][0016]
式中：α
min
为反渗透率的最小值，取0pa.s/m2；α
max
为反渗透率的最大值，取1
×
104～1
×
107pa.s/m2；q1为罚参数，取常数，范围为0.01～1；k(γ)为有效导热系数，由下列方程式
决定：
[0017][0018]
式中：其中ks为固体导热系数；kf流体导热系数；q2为罚参数，取常数，范围为0.01～1；
[0019]
步骤4：确定设计域内流场和温度场的边界条件；
[0020]
步骤5：将上述动量方程和能量方程改为其变分形式；
[0021]
步骤6：利用有限元法求解变分方程；
[0022]
步骤7：根据求解获得的速度场和温度场，求解目标函数j；
[0023]
所述目标函数j由三部分构成，j＝w1j1+w2j2+w3j3，j1为流道流动粘性耗散函数，j2为设计域平均温度，j3为设计域中流体域的体积约束函数，w1、w2和w3分别为j1、j2和j3的常系数；
[0024]
步骤8：利用torch-fenics类实现有限元方法和神经网络的连接，利用反向自动微分法，求解目标函数关于坐标xy值的灵敏度；
[0025]
步骤9：判断是否达到收敛条件，如果是，结束优化，并输出流道优化结果；如果否，根据灵敏度利用神经网络更新设计变量γ，跳转到步骤6，直至达到收敛条件，并输出流道优化结果。
[0026]
进一步的技术方案是：步骤4中所述的边界条件中流场边界条件包含入口速度，流量或者压力，出口压力，壁面边界条件包含滑移或者非滑移。温度场边界条件包含入口温度或热量，出口包含温度或者流出边界，壁面包含绝热或者热流密度。
[0027]
更进一步的技术方案是：步骤5中所述的动量方程和能量方程的变分形式分别为：
[0028][0029][0030]
式中：v、s和r分别为u、p和t的试函数，试函数定义于单元内部的、坐标的连续函数；u为速度矢量；p为压强；t为温度；q为内热源。
[0031]
更进一步的技术方案是，所述步骤6中有限元求解采用fenics有限元开源计算平台。
[0032]
更进一步的技术方案是，所述步骤7中j1可选用的函数具体为：
[0033]
流道流动粘性耗散函数：
[0034]
式中：μ为流体动力粘度；ω为设计域。
[0035]
设计域平均温度j2为：
[0036][0037]
式中：t为设计域温度；
[0038]
体积约束函数j3为：
[0039][0040]
式中：γ为设计变量；v0为流体总体积，w1、w2和w3都为一常数，范围为0.0001-10000。
[0041]
更进一步的技术方案是：步骤9中所述收敛条件为目标函数值的相对变化量或迭代次数或设计变量中间值(0.05《γ《0.95)占比或者前述条件的组合。
[0042]
更进一步的技术方案是：步骤9中所述神经网络包含输入层，隐藏层和输出层，输入层的输入为网格坐标信息(x和y值)，隐藏层神经网络的层数为m，每层包含n个神经元，取值范围为正整数，每层包含激活函数，前m-1层的激活函数可以取relu、leakyrelu、relu6、elu、prelu、selu和celu等函数，最后一层m层的激活函数可以取softmax或sigmoid函数。输出层为设计变量γ。优化方案采用梯度优化算法，可以采用adam或l-bfgs优化器。
[0043]
与现有技术相比，本发明具有的有益效果：本发明可以利用神经网络优化设计变量，优化流道结构，生成散热效果好和流动阻力小的微通道散热器。
附图说明
[0044]
图1为一种基于神经网络的冷却微通道的设计方法的流程示意图；
[0045]
图2为本发明实施例的微流道设计域；
[0046]
图3为本发明实施例的优化后的流道。
具体实施方式
[0047]
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
[0048]
实施例1
[0049]
如图1所示，本发明提供一种基于神经网络的冷却微通道的设计方法，具体包括以下步骤：
[0050]
步骤1：确定流道设计变量γ，并设定初始值，该变量代表材料类别，表示固体或者流体；
[0051]
γ取值范围为0～1，0代表固体，1代表流体；所述设计变量γ的初始值为0.5。
[0052]
步骤2：确定要求解的计算域、确定液体入口、出口位置及尺寸并划分网格，网格划分为nelx
×
nely个有限元单元；
[0053]
nelx：x方向上单元数；nely：y方向上单元数；
[0054]
参照图2，选定微通道设计域长为30mm，宽为31mm，网格划分为30
×
31个单元，选定的液体入口为设计域左边界，宽31mm；选定的液体出口在设计域有边界宽31mm。
[0055]
步骤3：确定设计域内关于设计变量γ，压力p，速度u和温度t的数学模型；
[0056]
所述数学模型为下列动量方程和能量方程：
[0057]
[0058][0059]
式中：ρ为流体密度ρ＝1000kg/m3，u为速度矢量；p为压强；μ为流体动力粘度，取μ＝0.001pa.s；c
p
为比热容，取c
p
＝4182j/(kg
·
k)；q为内热源,取1.25
×
108w/m3；α(γ)为多孔介质中反渗透率，由下列方程式决定：
[0060][0061]
α
min
为反渗透率的最小值，取0pa.s/m2；α
max
为反渗透率的最大值，取值范围为1
×
104～1
×
107pa.s/m2’
，在本实施例中取1
×
105pa.s/m2；q1为罚参数，取值范围为0.01～1，在本实施例中取0.01；k(γ)为有效导热系数，由下列方程式决定：
[0062][0063]
式中：其中ks为固体导热系数，取ks＝237w/(m
·
k)；kf流体导热系数,取kf＝0.6w/(m
·
k)；q2为罚参数,取值范围为0.01～1，在本实施例中取0.01。
[0064]
步骤4：确定设计域内流场和温度场的边界条件
[0065]
所述流场边界条件为入口速度：u＝0.01m/s；
[0066]
出口压力：p＝0pa；
[0067]
壁面为无滑移边界：u＝0m/s；
[0068]
所述温度场的边界条件为入口温度：t＝60℃；
[0069]
出口
[0070]
壁面为绝热边界条件：
[0071]
步骤5：将步骤3中动量方程和能量方程改为其变分形式
[0072]
动量方程的变分形式为：
[0073][0074]
式中：v和s分别为u和p的试函数，试函数定义于单元内部的、坐标的连续函数。u为速度矢量；p为压强。
[0075]
能量方程的变分形式为：
[0076][0077]
式中：r为t的试函数，试函数定义于单元内部的、坐标的连续函数。
[0078]
u为速度矢量；t为温度；q为内热源。
[0079]
步骤6：利用有限元法求解变分方程；
[0080]
利用有限元法求解变分方程得出速度矢量u和温度t，此实施例中有限元求解采用fenics开源计算平台；
[0081]
步骤7：根据求解获得的速度场u和温度场t，求解目标函数j；
[0082]
所述目标函数j由三部分构成，j＝w1j1+w2j2+w3j3，其中j1选用流道流动粘性耗散函数，并将求得的速度场u带入流道流动粘性耗散函数中，j2为设计域平均温度，j3为设计域中流体域的体积约束函数，w1、w2和w3分别为j1、j2和j3的常系数；
[0083]
求和所得目标函数j：
[0084][0085]
式中：μ为流体动力粘度,取μ＝0.001pa.s；ω为设计域；
[0086]
w1、w2和w3为常数，取值范围都为0.0001-10000，在本实施例中分别取0.05，1.7和2；γ为设计变量；v0为流道体积，取值为0.45。
[0087]
步骤8：利用torch-fenics类实现有限元方法和神经网络的连接，利用反向自动微分法，求解目标函数关于坐标xy值的灵敏度
[0088]
利用torch-fenics类实现有限元方法和神经网络的连接，实现数据类型的自动转换，方便采用反向自动微分法求出目标函数关于坐标xy值的梯度，即灵敏度；
[0089]
步骤9：在本实施例中隐藏层神经网络的层数为8，每层神经元数为20，前7层的激活函数取relu函数，第8层的激活函数取softmax函数。优化方案采用梯度优化算法，优化器采用adam。
[0090]
判断是否达到收敛条件，设置收敛条件为目标函数j的相对变化量是否小于2
×
10-6
和设计变量中间值(0.05《γ《0.95)占比小于0.2同时满足。本实施例中，程序第一次迭代后，目标函数j暂时不能计算相对变化量，未到达收敛条件，根据灵敏度利用神经网络更新设计变量γ，跳转到步骤6，继续计算。程序第二次迭代后，目标函数j的相对变化量为2.05
×
10-2
，设计变量中间值占比0.34，未到达收敛条件，根据灵敏度利用神经网络更新设计变量γ，跳转到步骤6，继续计算。程序总共运行9320次，最终目标函数j的相对变化量为1.96
×
10-6
，同时设计变量中间值占比0.197，程序收敛，结束计算，并输出流道优化结果。在达到收敛条件后，得出优化后的微通道结构，参照图3。
[0091]
尽管这里参照本发明的解释性实施例对本发明进行了描述，上述实施例仅为本发明较佳的实施方式，本发明的实施方式并不受上述实施例的限制，应该理解，本领域技术人员可以设计出很多其他的修改和实施方式，这些修改和实施方式将落在本技术公开的原则范围和精神之内。