一种基于神经网络的冷却微通道的设计方法与流程

文档序号:32347953发布日期:2022-11-26 11:58阅读:来源:国知局

技术特征:
1.一种基于神经网络的冷却微通道的设计方法,其特征在于,包括以下步骤:步骤1:确定流道设计变量γ,并设定初始值;步骤2:确定要求解的计算域、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;nelx:x方向上单元数;nely:y方向上单元数;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;步骤4:确定设计域内流场和温度场的边界条件;步骤5:将上述动量方程和能量方程改为其变分形式;步骤6:利用有限元法求解变分方程;步骤7:根据求解获得的速度场和温度场,求解目标函数j;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;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。2.根据权利要求1所述的一种基于神经网络的冷却微通道的设计方法,其特征在于,步骤1中所述变量代表材料类别,表示固体或者流体;γ取值范围为0~1,0代表固体,1代表流体。3.根据权利要求1所述的一种基于神经网络的冷却微通道的设计方法,其特征在于,步骤3中所述数学模型为下列动量方程和能量方程:骤3中所述数学模型为下列动量方程和能量方程: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: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:式中:其中k
s
为固体导热系数;k
f
流体导热系数;q2为罚参数,取常数,范围为0.01~1。4.根据权利要求1所述的一种基于神经网络的冷却微通道的设计方法,其特征在于,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。5.根据权利要求1所述的一种基于神经网络的冷却微通道的设计方法,其特征在于,步
骤5中所述的动量方程和能量方程的变分形式分别为:骤5中所述的动量方程和能量方程的变分形式分别为: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。6.根据权利要求1所述的一种基于神经网络的冷却微通道的设计方法,其特征在于,所述步骤6中有限元求解采用fenics有限元开源计算平台。7.根据权利要求1所述的一种基于神经网络的冷却微通道的设计方法,其特征在于,所述步骤7中所述目标函数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;j1可选用的函数具体为:流道流动粘性耗散函数:式中:μ为流体动力粘度;ω为设计域;设计域平均温度j2为:j2=∫
ω
tdω/∫
ω
1dω式中:t为设计域温度;体积约束函数j3为: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。8.根据权利要求1所述的一种基于神经网络的冷却微通道的设计方法,其特征在于,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占比或者前述条件的组合。9.根据权利要求1所述的一种基于神经网络的冷却微通道的设计方法,其特征在于,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,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层的激活函数选自relu、leakyrelu、relu6、elu、prelu、selu或celu函数中的一种或多种,最后一层m层的激活函数取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,采用adam或l-bfgs优化器。

技术总结
本发明公开了一种基于神经网络的冷却微通道的设计方法,包括以下步骤:确定流道设计变量γ,并设定初始值;确定要求解的计算域,并划分网格;确定求解动量方程和能量方程;确定流场和温度场的边界条件;将动量方程和能量方程改为变分形式;有限元求解变分方程;根据求解获得的速度场和温度场,求解目标函数J;采用Torch-FEniCS,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;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。该方法解决了微通道散热时流动阻力和散热效果相互制约的问题。力和散热效果相互制约的问题。力和散热效果相互制约的问题。


技术研发人员:莫小宝 贺静 郭梦婷
受保护的技术使用者:四川启睿克科技有限公司
技术研发日:2022.09.05
技术公布日:2022/11/25
当前第2页1 2 
网友询问留言 已有0条留言
  • 还没有人留言评论。精彩留言会获得点赞!
1