高级检索

留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

池式沸腾和流动沸腾的人工神经网络研究

陈荣华 苏光辉 秋穗正

陈荣华, 苏光辉, 秋穗正. 池式沸腾和流动沸腾的人工神经网络研究[J]. 核动力工程, 2010, 31(S1): 49-52.
引用本文: 陈荣华, 苏光辉, 秋穗正. 池式沸腾和流动沸腾的人工神经网络研究[J]. 核动力工程, 2010, 31(S1): 49-52.
CHEN Rong-hua, SU Guang-hui, QIU Sui-zheng. Study on Pool Boiling and Flow Boiling with Artificial Neural Networks[J]. Nuclear Power Engineering, 2010, 31(S1): 49-52.
Citation: CHEN Rong-hua, SU Guang-hui, QIU Sui-zheng. Study on Pool Boiling and Flow Boiling with Artificial Neural Networks[J]. Nuclear Power Engineering, 2010, 31(S1): 49-52.

池式沸腾和流动沸腾的人工神经网络研究

详细信息
    作者简介:

    陈荣华(1986-),男,在读硕士研究生。2008年毕业于西安交通大学核能科学与工程专业,获学士学位。现主要从事核反应堆热工水力分析的研究工作。苏光辉(1966-),男,教授,博士生导师。1997年毕业于西安交通大学核能科学与工程专业,获博士学位。现主要从事核反应堆热工水力分析及汽-液两相流动与沸腾传热的研究。秋穗正(1965-),男,教授,博士生导师。1996年毕业于西安交通大学核能科学与工程专业,获博士学位。现主要从事核反应堆热工水力、核动力装置系统稳态和瞬态热工水力安全特性研究。

  • 中图分类号: TL333

Study on Pool Boiling and Flow Boiling with Artificial Neural Networks

  • 摘要: 成功构建了2个分别用于预测同心圆管开式热虹吸器内自然循环临界热流密度(CHF)和池式核态沸腾换热系数的人工神经网络。其预测均方误差分别为16.43%和19.57%。用训练成功的人工神经网络分析了2种沸腾换热的影响因素,分析结果表明:热虹吸器内同心内管的出现使CHF增加,热虹吸器内的CHF随内管外径的增加先增加后减小。池式核态沸腾表面传热系数随压力的增加先呈线性增加,当压力接近临界压力时,增加速度增大。

     

  • 加载中
计量
  • 文章访问数:  3
  • HTML全文浏览量:  1
  • PDF下载量:  0
  • 被引次数: 0
出版历程
  • 收稿日期:  2009-10-14
  • 修回日期:  2010-03-07
  • 网络出版日期:  2025-07-31

目录

    /

    返回文章
    返回