流动沸腾换热,就是流体通过一个加热通道实现的换热。流动沸腾换热主要包括核态沸腾换热、强制对流沸腾换热两种。人工神经网络是按照不同的连接方式组成不同的网络以数学物理方法对人脑神经元网络进行抽象建立的简单模型。遗传算法是一种基于生物进化模型的随机搜索算法,具有全局搜索性的优点。遗传神经网络具有遗传算法的本质并行性的优点,能够以较少的计算达到目的,同时具有全局搜索的优势且收敛速度较快,有助于缩短搜索时间。由于传热机理的复杂性,人工神经网络及遗传算法已被广泛应用于预测CHF等问题。核反应堆的传热问题一直被重点关注,管内流动沸腾传热过程复杂。利用神经网络处理该问题,较其他算法有计算量少且运算速度快的优势。本文用流动沸腾传热系数的实验数据来训练三层神经网络,并使用遗传算法拟合流动沸腾换热公式。训练后的神经网络能够较好地拟合实验数据,遗传神经网络预测结果优于人工神经网络。本文利用人工神经网络得出压力、含气率、质量流密度、热流密度、管内径、翅化比等参数对流动沸腾传热系数的影响,并从核态沸腾和对流沸腾两个方面具体分析其影响。研究结果表明:传热系数随压力、质量流密度、翅化比、热流密度、含气率的增大而增大,随管内径的增大而减小。