本技术介绍了一种氢能储罐压力预测技术、设备与系统解决方案。该技术涉及收集氢能储罐的工艺参数,进行预处理以获得输入参数,并利用训练完成的氢能储罐压力预测模型进行压力预测,输出预测结果。
背景技术
在1970年代,美国NASA开始了液氢储罐内部压力变化的实验研究,但至今为止,受限于液氢储罐自增压试验的高成本和高危险性,目前只有五个公开的试验,其中典型的是以MHTB罐体和K-site罐体为对象的试验。目前,液氢储罐压力预测模型通常采用热力学模型和CFD模型。热力学模型需要对液氢储罐内部的两相状态进行假设,并简化储罐内外的传热过程。由于两相流区的有限空间自然对流现象被简化为热力学中的有限空间大平板自然对流过程,其自然对流换热系数是通过经验公式确定的,这导致模型预测结果与实际结果之间存在一定误差。此外,假设条件越少的热力学模型,其复杂度越高,编译和计算过程也更加复杂。相比之下,CFD模型能够更详细地捕捉罐体内气相、液相及两相区域的流动和传热细节。通常采用多相流模型VOF结合蒸发冷凝Lee相变模型进行模拟计算。然而,由于未考虑压力变化对相变过程的传热传质交换速率的影响,以及罐体内壁的绝热假设,导致计算一段时间后误差逐渐增大。此外,CFD模型在计算过程中需要大量的时间和资源,难以在较短时间内提供准确的压力预测值。综上,目前采用热力学模型和CFD模型进行液氢储罐压力预测存在精度不足的问题以及试验数据样本过少限制了神经网络泛化能力的问题。
实现思路