本發(fā)明涉及通風系統(tǒng)，尤其是涉及一種基于深度學習的通風系統(tǒng)閥門調(diào)節(jié)策略計算方法。

背景技術：

1、乏燃料后處理廠在核能行業(yè)中扮演著至關重要的角色。尤其是，乏燃料后處理廠的通風系統(tǒng)具有降低有害氣體濃度和確保空氣流通的作用，對通風系統(tǒng)進行高效控制調(diào)節(jié)是保障后處理廠生產(chǎn)安全及人身安全的重要措施。

2、目前，乏燃料后處理廠通風系統(tǒng)支路較多，結構較復雜，基于傳統(tǒng)的人工數(shù)學推導計算方法依賴復雜的數(shù)學推導和大量的實踐經(jīng)驗，閥門調(diào)節(jié)策略的提出難度較大，效率較低。因此，有必要針對通風系統(tǒng)進行高效的閥門調(diào)節(jié)策略計算。

技術實現(xiàn)思路

1、本發(fā)明的目的是提供一種基于深度學習的通風系統(tǒng)閥門調(diào)節(jié)策略計算方法，能夠根據(jù)目標通風參數(shù)，實現(xiàn)準確、高效地輸出閥門調(diào)節(jié)策略。

2、為實現(xiàn)上述目的，本發(fā)明提供一種基于深度學習的通風系統(tǒng)閥門調(diào)節(jié)策略計算方法，包括以下步驟：

3、s1、根據(jù)通風系統(tǒng)管網(wǎng)結構，構建局部管件的三維模型；

4、s2、根據(jù)局部管件的三維模型，通過仿真模擬獲得不同流速下的數(shù)值，并擬合得到管件的阻力系數(shù)；

5、s3、根據(jù)通風系統(tǒng)管網(wǎng)結構，確定各元件的位置，構建一維模型；

6、s4、利用拉丁超立方抽樣，對一維模型中各閥門開度進行調(diào)節(jié)策略采樣作為初始參數(shù)，獲取通風參數(shù)組合數(shù)據(jù)集；

7、s5、基于通風參數(shù)組合數(shù)據(jù)集對深度學習算法模型進行訓練，獲得閥門調(diào)節(jié)策略計算模型；

8、s6、根據(jù)目標通風參數(shù)，利用閥門調(diào)節(jié)策略計算模型，輸出閥門調(diào)節(jié)策略。

9、優(yōu)選的，步驟s1中，構建局部管件的三維模型包括將局部管件出口設為二倍直徑的距離，并設置流體域并劃分非結構化網(wǎng)格。

10、優(yōu)選的，步驟s2中，仿真模擬包括將邊界條件設置為速度入口和壓力出口，并通過設置殘差、流體密度、動力粘度和壁面粗糙度，根據(jù)局部管件入口處不同的流體速度，獲得局部管件的進出口壓力，進而擬合得到局部阻力系數(shù)，具體如下：

11、

12、式中，ξ為局部阻力系數(shù)，ρ為流體密度，v為入口速度，pin為入口壓力，pout為出口壓力。

13、優(yōu)選的，步驟s3中，構建的一維模型包括局部管件元件、壓力源元件、三通元件、閥門元件和風機元件。

14、優(yōu)選的，步驟s4包括：

15、s41、根據(jù)拉丁超立方抽樣法對一維模型中各閥門進行調(diào)節(jié)策略采樣，隨機產(chǎn)生閥門開度數(shù)據(jù)；

16、s42、對每個閥門進行順序打亂和重新組合，形成閥門開度組合數(shù)據(jù)集；

17、s43、設置目標通風參數(shù)、流體參數(shù)、局部阻力系數(shù)和閥門開度，完成一維模型的邊界條件設定；

18、s44、計算獲得各關鍵節(jié)點通風參數(shù)組合數(shù)據(jù)集。

19、優(yōu)選的，步驟s5中，深度學習算法包括神經(jīng)元間采用全連接，通過粒子群優(yōu)化算法確定神經(jīng)網(wǎng)絡結構，并利用自適應矩陣估計算法進行優(yōu)化。

20、優(yōu)選的，自適應矩陣估計算法，具體如下：

21、mt＝β1·mt-1+(1-β1)·gt

22、

23、

24、

25、

26、式中，mt、vt分別表示一階矩和二階矩，β1、β2分別為對一階矩和二階矩衰減率，gt是當前梯度；分別為對一階矩和二階矩的偏差修正，α是學習率，ε是常數(shù)。

27、優(yōu)選的，粒子群優(yōu)化算法，具體如下：

28、vi'＝w×vi+c1×rand×(pbest_i-present_i)+c2×rand×(gbest-present_i)

29、???+c2×rand×(gbest-present_i)

30、p'resent_i＝present_i+vi'

31、式中，vi'表示粒子i更新后的速度，vi表示粒子i的當前速度，rand表示隨機數(shù)，p'resent_i表示粒子i更新后的位置，present_i表示粒子i當前的位置，pbest_i表示粒子i找到的個體最優(yōu)位置，gbest表示所有粒子找到的全局最優(yōu)位置，w為慣性權重，c1和c2為學習因子。

32、因此，本發(fā)明采用上述一種基于深度學習的通風系統(tǒng)閥門調(diào)節(jié)策略計算方法，具有以下技術效果：

33、(1)結合三維模型局部模擬和一維模型系統(tǒng)模擬進行建模，并通過粒子群優(yōu)化的神經(jīng)網(wǎng)絡結構優(yōu)化算法，增加了仿真模型的可靠性和前饋神經(jīng)網(wǎng)絡的準確性。

34、(2)閥門調(diào)節(jié)策略計算模型能夠計算出各閥門開度和各關鍵節(jié)點通風參數(shù)之間的非線性關系，利用變化的目標通風參數(shù)即可獲得其對應的閥門調(diào)節(jié)策略，根據(jù)該策略對通風系統(tǒng)進行調(diào)節(jié)，能夠提高通風系統(tǒng)調(diào)控效率。

35、下面通過附圖和實施例，對本發(fā)明的技術方案做進一步的詳細描述。

技術特征：

1.一種基于深度學習的通風系統(tǒng)閥門調(diào)節(jié)策略計算方法，其特征在于，包括以下步驟：

2.根據(jù)權利要求1所述的一種基于深度學習的通風系統(tǒng)閥門調(diào)節(jié)策略計算方法，其特征在于，步驟s1中，構建局部管件的三維模型包括將局部管件出口設為二倍直徑的距離，并設置流體域并劃分非結構化網(wǎng)格。

3.根據(jù)權利要求1所述的一種基于深度學習的通風系統(tǒng)閥門調(diào)節(jié)策略計算方法，其特征在于，步驟s2中，仿真模擬包括將邊界條件設置為速度入口和壓力出口，并通過設置殘差、流體密度、動力粘度和壁面粗糙度，根據(jù)局部管件入口處不同的流體速度，獲得局部管件的進出口壓力，進而擬合得到局部阻力系數(shù)，具體如下：

4.根據(jù)權利要求1所述的一種基于深度學習的通風系統(tǒng)閥門調(diào)節(jié)策略計算方法，其特征在于，步驟s3中，構建的一維模型包括局部管件元件、壓力源元件、三通元件、閥門元件和風機元件。

5.根據(jù)權利要求1所述的一種基于深度學習的通風系統(tǒng)閥門調(diào)節(jié)策略計算方法，其特征在于，步驟s4包括：

6.根據(jù)權利要求1所述的一種基于深度學習的通風系統(tǒng)閥門調(diào)節(jié)策略計算方法，其特征在于，步驟s5中，深度學習算法包括神經(jīng)元間采用全連接，通過粒子群優(yōu)化算法確定神經(jīng)網(wǎng)絡結構，并利用自適應矩陣估計算法進行優(yōu)化。

7.根據(jù)權利要求6所述的一種基于深度學習的通風系統(tǒng)閥門調(diào)節(jié)策略計算方法，其特征在于，自適應矩陣估計算法，具體如下：

8.根據(jù)權利要求6所述的一種基于深度學習的通風系統(tǒng)閥門調(diào)節(jié)策略計算方法，其特征在于，粒子群優(yōu)化算法，具體如下：

技術總結
本發(fā)明公開了一種基于深度學習的通風系統(tǒng)閥門調(diào)節(jié)策略計算方法，涉及通風系統(tǒng)技術領域。本發(fā)明提供的一種基于深度學習的通風系統(tǒng)閥門調(diào)節(jié)策略計算方法，包括根據(jù)通風系統(tǒng)管網(wǎng)結構，構建局部管件的三維模型；根據(jù)局部管件的三維模型，通過仿真模擬獲得不同流速的數(shù)值，并擬合得到管件的阻力系數(shù)；根據(jù)通風系統(tǒng)管網(wǎng)結構，構建一維模型；利用拉丁超立方抽樣，對一維模型中各閥門開度進行調(diào)節(jié)策略采樣作為初始參數(shù)，獲取通風參數(shù)組合數(shù)據(jù)集；基于通風參數(shù)組合數(shù)據(jù)集對深度學習算法模型進行訓練，獲得閥門調(diào)節(jié)策略計算模型；根據(jù)目標通風參數(shù)，獲得閥門調(diào)節(jié)策略。因此，采用上述方法，能夠效率、準確地獲得閥門調(diào)節(jié)策略，且增加了仿真模型的可靠性。

技術研發(fā)人員：楊海超,李小斌,張舟,張紅娜,李鳳臣,邸樹帥,魏剛,陳璨,崔園
受保護的技術使用者：天津大學
技術研發(fā)日：
技術公布日：2025/1/2