本發明涉及數據預測，具體涉及一種基于對抗神經網絡的流動傳熱預測方法、設備和介質。
背景技術：
1、兩相流動傳熱在工業領域中廣泛應用,兩相流動傳熱是指在某些裝置通道內同時存在汽相和液相的流體系統中發生的流動和傳熱現象，這一過程在化工、核能、石油、環境保護等多個領域具有廣泛的應用，在許多工業過程中，如空調、冰箱、鍋爐和核電站等，都需要高效的傳熱技術來提高能源利用效率，通過研究汽液兩相流動及傳熱的機理，并結合具體的應用需求，可以實現流體流動和傳熱的優化與控制，可以提高工業生產的效率和質量，同時實現能源的節約和環境的保護。
2、因此，為了在能源利用的研究過程中提供更好的流體流動和傳熱控制，需要對裝置的兩相流動傳進行預測，對復雜的流動和傳熱現象進行數值模擬通常需要大量的計算資源。但是現有軟件針對兩相流的計算不夠準確，存在較大誤差，由于前期的數據誤差，會導致在構建湍流模型和邊界層轉捩時，計算復雜度高，從而預測精度下降，難以滿足工業應用的高精度要求。
技術實現思路
1、本發明所要解決的技術問題是現有的預測方法計算復雜度高，預測精度低，現有軟件針對兩相流的計算不夠準確，存在較大誤差，目的在于提供一種基于對抗神經網絡的流動傳熱預測方法、設備和介質，通過流道的幾何結構和物理特性構建質量源項和能量源項，并基于質量源項和能量源項進行仿真，得到目標預測裝置的多物理場模擬結果，通過自定義質量源項和能量源項，能夠在前期的計算和數據獲取過程中，減小前期的數據誤差，通過構建降階模型，對目標預測裝置的多物理場模擬結果進行降階處理，降低數據計算復雜度，通過對抗神經網絡模型構建流動傳熱預測模型進行預測，能夠提高生成的流場云圖和溫度場云圖的預測精度。
2、本發明通過下述技術方案實現：
3、本發明第一方面提供一種基于對抗神經網絡的流動傳熱預測方法，包括以下具體步驟：
4、根據目標預測裝置的幾何結構和物理特性，在多物理場框架中進行目標預測裝置的網格劃分；
5、基于每個網格的流體相變參數、熱量傳遞參數和相變潛熱參數，得到質量源項和能量源項；
6、基于自定義的質量源項和能量源項進行仿真，得到目標預測裝置的多物理場模擬結果；
7、構建降階模型，根據目標預測裝置的多物理場模擬結果，生成溫度場云圖數據訓練樣本和速度場云圖數據訓練樣本；
8、構建對抗神經網絡模型，采用溫度場云圖數據訓練樣本和速度場云圖數據訓練樣本訓練對抗神經網絡模型，得到流動傳熱預測模型；
9、將目標預測裝置的多物理場模擬結果輸入到流動傳熱預測模型中，預測生成流場云圖和溫度場云圖。
10、進一步的，質量源項的獲取步驟具體包括：
11、獲取網格體積，得到網格單元的特征長度；
12、獲取相變調節系數、液體的相變潛熱、氣體密度、汽泡溫度、汽泡內的壓力、氣體摩爾質量和摩爾氣體常數，得到相變界面的凝結和蒸發換熱系數；
13、獲取液體的相變潛熱、飽和溫度和網格單元溫度，結合相變界面的凝結和蒸發換熱系數，確定每個網格的單位體積汽液兩相的質量傳遞速率；
14、獲取網格單元體積汽液兩相的質量傳遞速率約束條件，結合每個網格的單位體積汽液兩相的質量傳遞速率，得到每個網格的質量源項。
15、進一步的，所述得到相變界面的凝結和蒸發換熱系數，具體包括：
16、；
17、其中，表示相變調節系數，即汽液相界面上不凝結氣體分子的存在引起的非理想效應， h lg為液體的相變潛熱， ρ v表示氣體密度， t v為汽泡溫度，表示氣體摩爾質量，為摩爾氣體常數， p v為汽泡內的壓力。
18、進一步的，所述確定每個網格的單位體積汽液兩相的質量傳遞速率，具體包括：
19、；
20、其中， m lg表示每個網格內的單位體積汽液兩相的質量傳遞速率， t sat表示飽和溫度， t l表示網格單元溫度， h ev表示相變界面的凝結和蒸發換熱系數， h lg表示液體的相變潛熱， l表示網格單元的特征長度，單元格的特征長度為單元格體積的三次方根。
21、進一步的，所述質量傳遞速率約束條件，具體包括：
22、凝結時，
23、；
24、蒸發時，
25、；
26、其中， ρ v表示蒸汽密度， a v表示氣相體積分數，△ t表示當前計算時間步長。
27、進一步的，能量源項的獲取步驟具體包括：
28、獲取每個網格內的液相的定壓比熱容、汽相的定壓比熱容、時間步數、時間步數對應的溫度和參考溫度，結合每個網格內的單位體積汽液兩相的質量傳遞速率，得到能量源相。
29、進一步的，所述得到能量源相的具體計算步驟包括：
30、；
31、其中，表示能量源相， m lg表示每個網格內的單位體積汽液兩相的質量傳遞速率， c pl表示液相的定壓比熱容， c pg表示汽相的定壓比熱容， t n表示時間步數 n的溫度， n表示時間步數， t ref表示參考溫度。
32、進一步的，所述構建降階模型，根據目標預測裝置的多物理場模擬結果，生成溫度場云圖數據訓練樣本和速度場云圖數據訓練樣本，具體包括：
33、從多物理場模擬中提取溫度場和速度場的原始數據進行預處理；
34、構建降階模型，將預處理后的數據輸入到降階模型中，生成學習矩陣；
35、對學習矩陣進行奇異值分解，得到分解數據的特征值；
36、使用分解數據的前 k個特征值作為降階基，將原始數據投影到低維空間，得到溫度場云圖數據訓練樣本和速度場云圖數據訓練樣本。
37、進一步的，所述得到分解數據的特征值的過程中，還包括計算平均投影誤差，根據平均投影誤差優化分解數據的特征值個數 k。
38、進一步的，所述平均投影誤差的計算步驟包括：
39、；
40、其中， relativeerror表示平均投影誤差， m表示學習矩陣， k表示特征值個數， σ表示偏差， i表示從1到 k+1。
41、進一步的，所述構建對抗神經網絡模型，具體包括：
42、構建生成器；
43、獲取溫度場云圖數據訓練樣本和速度場云圖數據訓練樣本的隨機噪聲數據,輸入到生成器中；
44、生成器對目標預測裝置的多物理場模擬結果的隨機噪聲數據進行訓練，學習物理場云圖的概率分布，直至訓練達到設定閾值，得到生成的物理場云圖；
45、構建判別器；
46、基于溫度場云圖數據訓練樣本和速度場云圖數據訓練樣本的提取真實的物理場云圖；
47、對生成的物理場云圖和真實的物理場云圖進行判別，根據判別結果優化生成的物理場云圖，直至判別結果達到設定閾值，得到流動傳熱預測模型。
48、進一步的，所述對抗神經網絡模型的構建計算步驟包括：
49、；
50、其中，表示溫度場云圖數據訓練樣本和速度場云圖數據訓練樣本的隨機噪聲數據， g表示生成器， d表示判別器， g( z)表示生成的物理場云圖數據， d( x)表示真實的物理場云圖，x表示真實的物理場云圖樣本，z表示隨機噪聲向量， e表示期望值， pdata(x)表示真實的物理場云圖分布。
51、本發明第二方面提供一種電子設備，包括存儲器、處理器及存儲在存儲器上并可在處理器上運行的計算機程序，所述處理器執行所述程序時實現一種基于對抗神經網絡的流動傳熱預測方法。
52、本發明第三方面提供一種計算機可讀存儲介質，其上存儲有計算機程序，該程序被處理器執行時實現一種基于對抗神經網絡的流動傳熱預測方法。
53、本發明與現有技術相比，具有如下的優點和有益效果：
54、通過目標預測裝置的幾何結構和物理特性構建質量源項和能量源項，并基于質量源項和能量源項進行仿真，得到目標預測裝置的多物理場模擬結果，通過自定義質量源項和能量源項，能夠在前期的數據獲取過程中，減小前期的數據誤差，通過構建降階模型，對目標預測裝置的多物理場模擬結果進行降階處理，降低數據計算復雜度，通過對抗神經網絡模型構建流動傳熱預測模型進行預測，能夠提高生成的流場云圖和溫度場云圖的預測精度，能夠實時獲得工業設備內的流動傳熱特性，為模型開發提供數據支持，并為工業數字孿生提供重要的分析方法和工具。