能源危机已经成为当今世界各国最关注的问题之一。随着经济的发展,特别是空调的普及,建筑能耗越来越高。在我国,制冷空调能耗已经占到了总能耗的五分之一左右。每年夏天,各地电网都面临着用电高峰的考验。如果能够减少制冷空调能耗,那么这将大大缓减我国的能源危机,而这对我国节能减排工作的开展将起到重要的推进作用。蒸汽喷射式制冷系统有希望解决上述问题。蒸汽喷射式制冷系统没有运动部件,基本不需要用电。如果用太阳能、废热以及地热等能源制取制冷剂蒸汽,那么这种喷射式制冷系统将会即节能又环保。但是,传统喷射式制冷系统的COP很低,因此蒸汽喷射式制冷系统的发展受到了很大的限制。喷射器是蒸汽喷射式制冷系统的核心部件。如果能提高喷射器的工作性能,那么这将大大提高蒸汽喷射式制冷系统的COP。因此,对喷射器加以重点研究显得尤为重要。迄今为止,对各种喷射器性能的理论分析、特别是设计和运行实践,最终仍然需要用实验进行检验和校正。但是喷射器的实验相当费时费力,代价也不小。如果在部分喷射器实验数据基础上的预测模型能用于同类或同系列的喷射器性能预测,那么这对喷射器的研究开发、设计和运行将有很大帮助,同时对节约时间和费用、拓展适用参数范围,都有很大的实际意义。喷射器性能与其本身结构参数和运行工况的关系是高度非线性的,神经网络预测模型很适合模拟非线性系统。用神经网络预测喷射器性能是一种全新的研究喷射器性能的方法。神经网络的传输函数和学习方法对神经网络的学习速度和预测精度都有重要影响。在本文中,引用了三种小波神经网络,这三种小波神经网络的隐含层传输函数分别为Morlet、Mexi-hat和Gauss1小波基函数。数值实验证明,这三种小波神经网络的学习速度和预测能力都高于传统神经网络。隐含层神经元个数对神经网络的性能有重大影响,通过反复尝试,找到了用于喷射器性能预测的神经网络的最优隐含层神经元的个数。神经网络的学习问题本质上是一个优化问题。传统的神经网络学习方法存在学习速度慢,易陷入局部极小值的缺点。蚁群优化方法是一种新的全局优化算法。在本文中,首次尝试将两种连续蚁群优化算法CACS和ACO_R作为神经网络学习方法,提高了神经网络的学习速度和预测能力。正则化方法能有效提高神经网络的泛化能力。数值模拟结果显示,正则化方法和蚁群算法相结合能够提高神经网络的预测精度。本文在大量喷射器实验数据基础上,通过对神经网络的训练,得到了能够预测喷射器性能的神经网络。数值模拟结果显示,神经网络对喷射器性能的预测能力优于理论计算。通过神经网络,对喷射器的结构参数和运行参数做了优化,得到了最优参数组合,提高了喷射性的引射系数。特别值得指出的是,神经网络能容易解决双参数和多参数优化问题,而传统的实验方法研究喷射器的多参数优化是不实际的。对喷射器结构的多参数优化结果不同于传统由单参数优化得到的最优参数,是更准确的结果。这种神经网络和实验数据相结合的方法简化了喷射器性能分析的过程,为喷射器的最优设计和运行分析提供了一种经济简便、迅速全面、足够精确的新方法。