[发明专利]一种基于人工智能的软性磨粒两相湍流流型识别方法

说明书

技术领域

本发明涉及一种两相流流型识别方法，更具体地说，是一种基于人工智能的软性磨粒两相湍流流型识别方法。

背景技术

流型（表征了流体的流动形态），可以分为层流、湍流以及介于两者之间的过渡流。其表示了流体质点运动的轨迹及速度分布。圆管内层流流型为抛物线速度分布；湍流流型的速度分布服从卡曼-普兰德1/7指数定律。两相流流型同时又表征了两相流动介质的相界面分布情况。目前，在动力、化工、核能、制冷、石油和冶金等行业的许多生产设备中都涉及两相流动工况，甚至在模具微细结构化表面的精密加工方面都有其应用。因此，两相流流型极大地影响着两相流的流动特性，同时也影响着流动参数的准确测量以及两相流系统的运行特性，所以两相流流型识别的研究一直是两相流参数测量的一个重要研究方向，同时也为相关工业生产设备安全、经济运行以及实验观测提供了有力的技术支持。

流型识别技术经过几十年的发展，由当初的流型状态图和流型转变的模型判据的理论预测发展到采用一些特殊仪器的直接测量和运用信息处理手段的间接测量，取得了长足的进展。目前，两相流的识别方法主要有两种：直接识别法和间接识别法。直接识别法主要采用流动可视化的方法，这种方法在管道和流动介质不透明、流速高时候识别的准确率很低。间接识别法是利用流动的脉动特性进行识别的方法，常用的脉动量是压力（或压差），它结合了先进的现代检测理论（现代信号分析与处理、非线性信息处理、小波分析、模式识别、人工神经网络等），是揭示流型这一复杂动力学特征的有利手段。

在对模具微细结构化流道内软性两相磨粒流的流型识别中，也有一些传统方法，如采用实验方法做出流型图；根据对流型转变机理得到的转变关系式，利用现场的流动参数来确定具体的流型。但是这些传统的识别方法存在许多不足：一是传统的识别方法需要测量磨粒两相流的流量、速度，结构化流道的尺寸等现在还不能准确测量的参数，而且计算磨粒两相流的粘度和雷诺数时也会出现一定的误差；二是已有的流型图和半经验半理论流型转变准则都有一定的适用范围，难以适应变化多样的实际流动；三是传统的识别方法不可避免地受到主观因素的影响，很难做到流型的客观识别；四是传统的识别方法不能满足生产和实验过程中对流型的在线识别要求。

发明内容

为了克服已有软性磨粒两相湍流流型识别方法的准确性较低、适用性较差、可靠性不高、无法满足在线识别要求的不足，本发明提供一种准确性高、适用性良好、可靠性高、能够有效满足在线识别要求的基于人工智能的软性磨粒两相湍流流型识别方法。

本发明解决其技术问题所采用的技术方案是：

一种基于人工智能的软性磨粒两相湍流流型识别方法，所述软性磨粒两相湍流流型识别方法包括以下步骤：

1）软性磨粒两相湍流压力信号的采集

使用FLUENT软件中欧拉模型与重整化群双方程模型相结合的仿真技术，对小尺寸弯道内不同速度下的软性磨粒两相流进行仿真，设定仿真时间，对小尺寸弯道内壁面顶点处压力进行采集，所述的小尺寸弯道为出口处带有一小段直管的180°大曲率圆管；

2）压力信号特征提取及分析

采用小波包方法将频带进行多层次划分，对多分辨率没有细分的高频部分进一步分解，并根据被分析信号的特征，自适应地选择相应频带，使之与信号频谱匹配；具体实施过程如下：2.1）对采集到的压力信号进行四层小波包分解，分别提取第四层从低频到高频所有频率成分的信号；2.2）对小波包分解系数进行重构，提取各频带范围的信号，得到重构信号，对第四层的所有结点进行分析，得到新的总信号表示；2.3）将信号的小波包分解看成是对信号的一种划分，定义这种划分的测度，并根据信息熵的基本理论，定义小波包信息熵；2.4）以信息熵为元素构造能取做指纹的特征矢量，对信息熵特征向量进行归一化，以归一化后的信息熵作为元素构造特征向量，作为输入概率神经网络的训练样本并进行识别；

3）利用概率神经网络对由定义的特征参数构成的流型样本进行训练并识别，

根据概率神经网络结构和学习样本的关系，所述学习样本为归一化后的小波包信息熵特征向量，确定用于流型识别的概率神经网络的结构，对该网络进行相关设置并进行学习训练，使用该概率神经网络对不同流型样本的识别；具体实施过程如下：

3.1）流型识别的概率神经网络的结构的确定：由概率神经网络结构和归一化后的小波包信息熵特征向量的关系，确定概率神经网络结构为由输入层、隐含层和输出层组成的三层前向网络；