基于深度信念网络的纳米流体热导率预测方法

论文摘要

纳米流体因具有较好的传热性能而被认为是未来极具发展前景的强化传热工质,为了提高纳米流体热导率预测的精确性,依据深度学习理论建立了基于DBN的纳米流体热导率预测模型.对模型进行训练和微调,可自动提取纳米流体热导率自身的发展规律,逐层激活纳米流体各影响因素的强相关性.将深度信念网络模型的仿真结果与基于BP神经网络、基于SVM纳米流体热导率预测模型的仿真结果及实验数据进行对比,结果表明:DBN预测模型克服了传统神经网络容易陷入局部最优、训练时间长及函数拟合度不高等缺点,具有预测精度高,预测速度快的优点.

论文目录

• 1 深度信念网络模型
•   1.1 RBM模型
•   1.2 DBN模型的训练过程
• 2 基于DBN的纳米流体热导率预测
•   2.1 模型预测的流程
•   2.2 数据预处理
•   2.3 模型性能指标
• 3 实验结果分析
•   3.1 数据来源和仿真结果
•   3.2 仿真结果分析
• 4 结论

文章来源

类型: 期刊论文

作者: 孙斌,乔丛,杨迪,李洪伟

关键词: 纳米流体热导率,深度信念网络,限制波尔兹曼机,神经网络

来源: 东北电力大学学报 2019年01期

年度: 2019

分类: 工程科技Ⅱ辑,信息科技

专业: 动力工程,自动化技术

单位: 东北电力大学能源与动力工程学院

基金: 吉林省科技发展计划项目(20160101282JC)

分类号: TK124;TP183

DOI: 10.19718/j.issn.1005-2992.2019-01-0041-08

页码: 41-48

总页数: 8

文件大小: 252K

下载量: 128