一种基于机器学习的棒束子通道热工水力特性预测方法
专利汇可以提供一种基于机器学习的棒束子通道热工水力特性预测方法专利检索，专利查询，专利分析的服务。并且本 发明 公开了一种基于 机器学习 的棒束子通道热工 水 力 特性预测方法，首先确定预测棒束子通道热工水力特性所需要的棒束特征参数，建立棒束机器学习模型；其次，从 数据库 中筛选出训练机器学习模型需要的数据并进行数据预处理；随后，将样本中棒束特征参数作为模型输入，待预测的棒束子通道热工水力特性作为模型输出，训练机器学习模型；最后将待预测棒束的特征参数输入到机器学习模型中，输出待预测棒束子通道热工水力特性参数，完成预测；本发明克服了传统棒束子通道热工水力计算方法普适性差、操作复杂、预测 精度 参差不齐的 缺陷 ；本发明通用性强，精度较高， 训练数据 易于扩充，机器学习模型易于改进，能够为棒束组件热工分析计算提供参考。，下面是一种基于机器学习的棒束子通道热工水力特性预测方法专利的具体信息内容。
1.一种基于机器学习的棒束子通道热工水力特性预测方法，其特征在于：包括如下步骤：
步骤1：建立棒束子通道热工水力特性机器学习模型；
首先分析待预测的棒束子通道热工水力特性，确定待预测棒束子通道热工水力特性所需的棒束特征参数，并将待预测棒束子通道热工水力特性所需的棒束特征参数作为机器学习模型的输入节点，待预测棒束子通道热工水力特性作为输出节点，建立机器学习模型；
步骤2：从数据库中筛选出训练机器学习模型需要的数据并进行数据预处理；
根据待预测棒束子通道的特征(如定位件类型、工质类型)，从数据库中筛选出相应的棒束子通道实验或CFD模拟数据，再对实验或CFD模拟数据进行无量纲化处理，并去除数据中明显错误或偏离期望值的坏点，最后对数据进行归一化处理，将处理之后的数据作为训练机器学习模型的样本数据；
步骤3：使用步骤2获得的样本数据，训练机器学习模型；
将步骤2预处理之后的样本数据分为训练集、验证集和测试集，使用训练集中的样本数据训练机器学习模型，将训练集中待预测棒束子通道热工水力特性所需的棒束特征参数作为机器学习模型的输入，待预测棒束子通道热工水力特性作为机器学习模型的输出，训练机器学习模型，得到机器学习模型内部节点连接权值和阈值，再根据验证集中的数据和机器学习模型预测结果的偏差初步评估机器学习模型的性能，并根据验证结果增加或减少模型中隐含层数及隐含层中节点数目，避免机器学习模型过拟合，最后使用测试集中的数据对机器学习模型测试，评估最终机器学习模型的性能，得到最终的机器学习模型；
步骤4：将待预测棒束的特征参数输入最终的机器学习模型中，输出待预测棒束子通道热工水力特性。
2.根据权利要求1所述的一种基于机器学习的棒束子通道热工水力特性预测方法，其特征在于：所述机器学习模型为决策树算法、贝叶斯算法、支持向量机算法、随机森林算法或人工神经网络算法。
3.根据权利要求2所述的一种基于机器学习的棒束子通道热工水力特性预测方法，其特征在于：所述机器学习模型为人工神经网络算法中的BP神经网络模型，BP神经网络模型由输入层、隐含层和输出层组成，其中隐含层节点数对BP神经网络预测精度影响大，节点数太少，网络模型不能很好地学习训练数据，训练的精度受到影响；而节点数太多，又会增加训练时间，也容易造成BP神经网络模型过拟合；最佳隐含层节点数的选择取决于输入层和输出层节点数；所述BP神经网络隐含层节点数的选取参考以下关系式：
其中l为隐含层节点数，n、m分别为输入、输出层节点数，a为0～10之间的常数。
4.根据权利要求2所述的一种基于机器学习的棒束子通道热工水力特性预测方法，其特征在于：所述BP神经网络模型是一种多层前馈神经网络模型，该网络模型的主要特点是信号向前传递，误差反向传播；输入信号经输入节点经隐含层逐层处理，直至输出层；每一层的神经元状态只影响下一层的神经元状态；如果输出层得不到期望输出，则转入反向传播，根据预测误差调整网络模型节点连接权值和阈值，从而使BP神经网络模型预测输出不断逼近期望输出；BP神经网络模型的训练过程包括以下步骤：
步骤1：BP神经网络初始化：将处理之后的棒束样本数据整理为输入输出序列(X,Y)，待预测的棒束子通道热工水力特性数据为Y，棒束特征参数为X；根据输入输出序列(X,Y)确定网络输入层节点数n、隐含层节点数l和输出层节点数m；初始化输入层和隐含层神经元之间连接权值以及隐含层和输出层神经元之间的连接权值ωij、ωjk，初始化隐含层、输出层阈值a、b，给定学习速率和神经元激励函数；
步骤2：隐含层输出计算：根据输入变量棒束特征参数X，输入层和隐含层神经元之间连接权值ωij以及隐含层阈值a，计算隐含层输出Hj，计算公式如下：
其中f为隐含层激励函数，l为隐含层节点数，；
步骤3：输出层输出计算：根据隐含层输出Hj，隐含层和输出层神经元之间的连接权值ωjk和输出层阈值b，计算BP神经网络模型的预测输出Ok；
步骤4：误差计算：根据BP神经网络模型的预测输出Ok和期望输出Yk，计算网络预测误差ek；
ek＝Yk-Ok
步骤5：权值更新：根据网络预测误差ek更新初始化输入层和隐含层神经元之间连接权值以及隐含层和输出层神经元之间的连接权值ωij和ωjk；
ωjk＝ωjk+ηHjek j＝1,2,…,l；k＝1,2,…,m
其中η为学习速率；
步骤6：阈值更新：根据网络预测误差ek更新隐含层、输出层阈值a、b；
bk＝bk+ek k＝1,2,…,m
步骤7：判断算法迭代是否结束，如在连续6次迭代中预测误差不下降，则认为网络的预测能力已达极限，迭代结束，若没有结束，则返回步骤2；
步骤8：将棒束的特征参数提取为输入序列X，输入到训练获得的机器学习网络模型中，通过计算获得棒束热工水力特性的预测结果。
一种基于机器学习的棒束子通道热工水力特性预测方法
技术领域
背景技术
发明内容
具体实施方式
| 标题 | 发布/更新时间 | 阅读量 |
|---|---|---|
| 用于求取车辆的车灯的状态的方法和设备 | 2020-05-08 | 485 |
| 基于通信受限的神经网络系统远程状态估计方法及装置 | 2020-05-12 | 704 |
| 一种基于前车与自车互动的短期车速工况实时预测方法 | 2020-05-14 | 311 |
| 用于执行LSTM运算的装置和方法 | 2020-05-14 | 598 |
| 一种快速建模的方法 | 2020-05-08 | 753 |
| 一种基于人工神经网络的高速公路智能预养护方法及系统 | 2020-05-08 | 1363 |
| 基于人工神经网络的视觉测试系统 | 2020-05-14 | 504 |
| 一种非线性动态质量系统预测方法 | 2020-05-12 | 668 |
| 数据流重构方法及可重构数据流处理器 | 2020-05-08 | 88 |
| 一种基于大数据技术的市场评估分析方法 | 2020-05-12 | 126 |
高效检索全球专利专利汇是专利免费检索,专利查询,专利分析-国家发明专利查询检索分析平台，是提供专利分析，专利查询，专利检索等数据服务功能的知识产权数据服务商。
我们的产品包含105个国家的1.26亿组数据，免费查、免费专利分析。
专利汇分析报告产品可以对行业情报数据进行梳理分析，涉及维度包括行业专利基本状况分析、地域分析、技术分析、发明人分析、申请人分析、专利权人分析、失效分析、核心专利分析、法律分析、研发重点分析、企业专利处境分析、技术处境分析、专利寿命分析、企业定位分析、引证分析等超过60个分析角度，系统通过AI智能系统对图表进行解读，只需1分钟，一键生成行业专利分析报告。
