(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111537340.4 (22)申请日 2021.12.15 (71)申请人 武汉理工大 学 地址 430070 湖北省武汉市洪山区珞狮路 122号 (72)发明人 蒋康涛　 (74)专利代理 机构 武汉智嘉联合知识产权代理 事务所(普通 合伙) 42231 代理人 张璐 (51)Int.Cl. G06F 30/28(2020.01) G06F 30/27(2020.01) G06N 3/08(2006.01) G06F 113/08(2020.01) G06F 119/14(2020.01)G06F 119/08(2020.01) (54)发明名称 超临界流体工质热物性参数获取方法及系 统 (57)摘要 一种超临界流体工质热物 性参数获取方法， S1、 将所需要的总数据集大小， 分别作为训练数 据集、 验证数据集和测试数据集； S2、 采用数据归 一化方法， 将所有输入层和输出层数据按照最大 最小法进行归一化处理； S3、 在学习阶段， 利用训 练数据集修正神经网络计算模型各层的权值和 阈值； S4、 利用验证数据集， 监控验证数据集预测 误差是否正 常减小， 当验证数据集预测误差达到 预设误差值， 且误差增加次数达到预设次数后， 训练终止； S5、 利用测试数据集， 确认神经网络计 算模型是否满足流体工质热物性工程仿真所要 求的精确度和计算效率， 在满足时跳转到步骤 S6； S6、 提取神经网络计算模型中各层的特性参 数， 代入神经网络输入输出方程， 得到热物性的 计算公式。 权利要求书1页 说明书4页 附图1页 CN 114036875 A 2022.02.11 CN 114036875 A 1.一种超临界流体工质热物性 参数获取 方法， 其特 征在于， S1、 将所需要 的总数据集大小， 以所需温度、 压力范围内的温度和压力作为自变量， 通 过物性计算软件计算得到热物性 参数， 分别作为训练数据集、 验证数据集和 测试数据集； S2、 采用数据归一化方法， 将所有输入层和输出层数据按照最大最小法进行归一化处 理； S3、 在学习阶段， 利用训练数据集 修正神经网络计算模型 各层的权值和阈值； S4、 利用验证数据集， 监控验证数据集预测误差是否正常减小， 当验证数据集预测误差 达到预设误差值， 且误差增加次数达到预设次数后， 训练终止， 并返回具有最小验证数据集 误差的神经网络计算模型的输入层、 隐藏层和输出层各层权值和阈值； S5、 利用测试数据集， 确认神经网络计算模型是否满足流体工质热物性工程仿真所要 求的精确度和计算效率， 在满足时跳转到步骤S6； S6、 提取神经网络计算模型中各层的特性参数， 代入神经网络输入输出方程， 得到热物 性的计算公 式， 并根据计算 公式建立物性计算模块， 用于与仿 真软件系统结合， 供工质流动 与换热计算调用。 2.如权利要求1所述的超临界流体工质热物性 参数获取 方法， 其特 征在于， 神经网络计算模型中输入层中2维输入层数据包括温度和压力数据； 神经网络计算模型中输出层中4维输出热物性参数包括密度、 定压比热容、 热导率和动 力粘度系数。 3.如权利要求1所述的超临界流体工质热物性 参数获取 方法， 其特 征在于， 神经网络计算模型的中间隐藏层传递函数使用双曲正切函数tansig， 而输出层传递函 数使用线性 函数。 4.如权利要求1所述的超临界流体工质热物性 参数获取 方法， 其特 征在于， 训练数据集、 验证数据集和 测试数据集在总数据集中占比分别为2:1:1。 5.如权利要求1所述的超临界流体工质热物性 参数获取 方法， 其特 征在于， 所述步骤S3 中在学习阶段， 利用训练数据集修正神经网络计算模型各层的权值和阈值 包括： 通过优化神经网络计算模型的参数， 修正神经网络各层的权值、 阈值等各种特性参数， 优化神经网络计算模型的参数包括： 改变中间隐藏层的节点数， 调整学习率、 迭代 次数、 收 敛准则。 6.一种超临界流体工质热物性参数获取系统， 其通过如权利要求1 ‑5任一项所述的超 临界流体工质热物性 参数获取 方法实现。权　利　要　求　书 1/1 页 2 CN 114036875 A 2超临界流体工质热物性参数 获取方法及系统 技术领域 [0001]本发明涉及 流体工质热物性参数获取技术领域， 特别涉及一种超临界流体工质热 物性参数获取 方法及系统。 背景技术 [0002]各种流体工质在工艺流程及核心设备的设计、 制造， 运行和维护等过程中， 尤其在 牵涉到流动、 换热等关键工艺过程的仿真优化， 需要在相应的计算程序中进行大量的工质 热物性参数计算， 并且以精确、 高效的热物性参数计算作为基础。 典型的热物 性参数主要包 括热力学性质(密度、 定压比热容等)和迁移 性质(热导率、 动力粘度系数等)两大类。 尤其当 流体工质的工况进入到超临界流动和换热， 其热物性参数受多种因素影响， 部分热物性参 数(尤其是定压比热容)在临界点附近随着温度与压力的变化非常剧烈， 以至流动的轻微变 化也会对传热产生显著影响， 甚至引起传热极大恶化。 所以对超临界流体工质的迁移和热 力学性质的准确、 快速计算是研究超临界流动和传热现象的关键 。 [0003]现有的流体工质热物性参数计算方法主要包括状态方程法、 拟合的经验关联式法 等。 现有计算方法每次调用热物性参数计算模块， 只能获得单个待求的热物性参数。 状态方 程法需要进行多次方程迭代求解， 计算速度慢。 而且现有计算方法一般只能适用于特定的 流体物系、 工艺过程以及温度、 压力变化范围。 现有热物性参数计算方法的不足， 影响到仿 真系统运算速度和实时性， 限制其应用领域。 目前已经开发的具有较高计算精度的物性计 算软件， 由于程序接口等限制， 难以与仿 真系统结合使用， 也不适应工艺流程及核心设备系 统仿真与优化设计的要求。 发明内容 [0004]有鉴于此， 本发明提供一种超临界流体工质热物性 参数获取 方法及系统。 [0005]一种超临界流体工质热物性 参数获取 方法， [0006]S1、 将所需要的总数据集大小， 以所需温度、 压力范围内的温度和压力作为自变 量， 通过物性计算软件计算得到热物 性参数， 分别作为训练数据集、 验证数据集和测试数据 集； [0007]S2、 采用数据归一化方法， 将所有输入层和输出层数据按照最大最小法进行归一 化处理； [0008]为了加快模型的学习训练速度， 消除由于不同输入输出参数具有不同数量级所引 进的误差， 训练数据集、 验证数据集和测试数据集的输入输出数据均采用归一化处理。 利用 神经网络模型计算热物 性参数时， 将输入参数(温度、 压力等)归一化， 代入神经网络输入输 出方程或者热物性计算公式， 所 得结果再采用反归一 化处理可得待求热物性 参数值。 [0009]S3、 在学习阶段， 利用训练数据集 修正神经网络计算模型 各层的权值和阈值； [0010]各层是指输入层、 隐藏层和输出层。 为提高学习训练效率， 获得更快的收敛速度和 更高的逼近精度， BP神经网络选择Levenberg ‑Marquardt优化算法(以下简称为L ‑M算法)。说　明　书 1/4 页 3 CN 114036875 A 3