[发明专利]一种混输泵泵腔瞬时温度特性的建模与预测方法

权利要求书

1.一种混输泵泵腔瞬时温度特性的建模与预测方法，其特征在于包括以下步骤：

1)建立频变油气混输工况下，混输泵泵腔瞬时温度特性的CFD数值模型，为高斯过程回归GPR经验建模提供初始数据；

首先，根据经验确定CFD数值模型的输入和输出变量；其次，考虑油气混输工况下，泵腔内部流场可能呈现的流动特性，依据经验对湍流模型、多相流模型、离散化方法等进行一项或多项选择；最后，基于上述M种选择结果，并行建模M种CFD数值候选模型，并获得M套CFD仿真数据；

2)对CFD数值模型提供的M套样本进行分类，即每套CFD仿真数据被分成L个样本子集；每个样本子集单独进行学习训练，建立L个泵腔瞬时温度特性的GPR预测子模型；

首先，将第m个CFD数值模型(简记为CFD_m，m＝1，…，M)提供的仿真数据S_m分成L个样本子集，可表示为其中S_ml表示第l个样本子集，即N_ml表示S_ml包含的样本个数；

其次，每个样本子集单独进行学习训练，各自建立泵腔瞬时温度特性的子模型其中表示第m个CFD数值模型的第l个样本子集训练的GPR模型；

进一步，按照GPR建模方法，X_ml的输出可表示为：

式中，C_ml表示协方差矩阵；

最后，对第t个测试样本集的第i个样本x_t，i(N_t表示第t个测试样本集包含的样本个数)，其预测输出可表示为：

式中，表示新的输入样本和训练样本间的协方差；k_ml，ti＝C(x_t，i，x_t，i)是新输入样本的协方差；表示模型预测输出的方差，用来描述模型的预测不确定度；如果一个不合适的模型对测试样本x_t，i进行了预测，则相应的值就大；

这样，利用公式(1)，完成了离线建模；对一个新的输入样本x_t，i，M×L组基于GPR模型的在线预测信息，可分别从公式(2)和公式(3)计算获取；

3)对GPR预测模型进行在线评估，并以此为输入样本集的每个样本x_t，i，单独选择一种最合适的GPR(Special Gaussian Process Regression，SGPR)模型进行在线预测；

首先，基于贝叶斯理论，提出后验概率对模型和每个样本x_t，i之间的关系进行评估；可表示为：

式中，和分别是先验和条件概率；可定义如下：

式中，表示第m套训练样本总数；为了求出公式(4)中的其他项，样本的相对预测误差可进一步修改为：

式中，较大的说明作为输入样本x_t，i的预测模型不合适，因此条件概率可定义如下：

公式(4)也因此可表示为：

其次，基于概率分析方法，对新的测试样本x_t，i而言，越大，则模型越合适对其进行预测，即具有最大后验概率(Maximum PosteriorProbability，MPP)的子模型最合适预测测试样本点x_t，i的输出，可描述为：

因此，不需要知道实际输出，公式(8)就能提供一种评估模型对单个样本预测能力的方法；公式(9)可为输入样本集的每个样本，单独选择一种合适的GPR模型进行在线预测，克服单一GPR经验模型或CFD数值模型描述复杂过程特性的局限；

4)整合GPR提供的单个样本预测概率信息，对CFD数值模型进行在线评估，并以此为整个输入样本集选择一种最合适的GPR和CFD数值模型，实现在线和离线预测；

基于公式(4)提出一种整合的后验概率指标对模型和整个输入样本集之间的关系进行评估，可表述为：

的平均值(mean ensemble posterior probability，MEPP)定义为：

采用对公式(8)相同的分析方法，可知，越大，则相应的模型越适合预测测试样本集x_t；具有最大的

简称MP指标的模型最合适用于测试样本集x_t的预测，可描述为：

其预测值和协方差可分别从公式(2)和公式(3)获得；鉴于是CFD_m训练的第l个GPR模型，如果被选为x_t最合适的在线预测模型，则相应的CFD_m数值模型也更适合用来对x_t进行离线预测。