[发明专利]一种基于LSTM的流体仿真数据预测模型

权利要求书

1.一种基于LSTM的涡旋压缩机流体仿真数据预测模型，其特征在于：对于涡旋压缩机流体，采用有限元仿真与LSTM数据预测相结合的方式，进而提高流体仿真速度，从而改进涡旋压缩机流体仿真流程，其特征在于：

(1)进行涡旋压缩机流体仿真：

首先建立涡旋压缩机流体域的三维模型，采用基于FLUENT软件的动网格方法，对涡旋压缩机内部三维流场进行瞬态计算，利用有限单元法计算涡旋压缩机在运转过程中不同时刻内部瞬态流场数值，从而得出了不同工况下流场内部压力、温度以及速度的分布情况；

(2)在涡旋压缩机内部流场Z＝0.018m平面处建立三个观测点，获得观测点处的热力学参数随时间变化情况；

(3)将获得的观测点处的数据整理为时间序列数值；

(4)通过离散标准化方式，对观测点处的温度、压力数值输入LSTM神经网络中，进行标准化处理，获得区间范围为0-1的时间序列数值；然后在模型训练过程中不断微调损失函数以及LSTM层中正则化的参数值；

(5)采用绝对均方误差，作为衡量神经网络误差性能的一个指标，判断模型的预测精度是否满足要求；进而完成对涡旋压缩机流体仿真数据的预测，输出所述涡旋压缩机流体仿真数据预测模型的预测值；

使用L1正则化，来降低神经网络模型的复杂度，其损失函数C为：

上式中，该项将神经网络中的权重求和，λ代表正则化参数，n为训练集包含的样本个数，W表示神经元的权重，x为每个神经元的输入值，y为输出值，α为估计值，L为估计值的次方，w为每个神经元的权值；对C关于W求偏导可得：

上式中，sgn表示符号函数，C₁为原始的代价函数，W表示神经元的权重；当W大于0，结果为1，W小于0，结果为-1；神经元的权重的更新方式如下所示：

上式中，η为更新后的系数；

采用绝对均方误差MSAPE作为衡量神经网络误差性能的一个指标，具体计算方法如下式：

其中Y_t表示第t个样本的实际值，表示模型的预测值，Y表示实际值，表示预测值；

使用均方误差评估模型拟合的准确性，其具体表达式如下所示：

其中，m代表训练样本的个数，h(x)表示模型预测结果，表示模型的预测值，y⁽ⁱ⁾表示模型在i时刻的输出值，x⁽ⁱ⁾表示模型在i时刻的输入值，θ₀表示假设函数中输入值x₀的系数，θ₁表示假设函数中输入值x₁的系数，i表示第i时刻，h_θ表示假设函数。

2.如权利要求1所述基于LSTM的涡旋压缩机流体仿真数据预测模型，其特征在于，使用min-max标准化进行归一化处理，用以降低不同指标之间的量纲给训练网络带来的影响，其转换函数如下所示：

其中max为样本数据的最大值，min为样本数据的最小值，数据通过离散标准化后，结果映射到0-1这个区间。

3.如权利要求1所述基于LSTM的涡旋压缩机流体仿真数据预测模型，其特征在于：使用LSTM神经元模型搭建整个神经网络；LSTM通过其特有的门控体系选择性的保留上一时刻隐藏层的数据，从而有效的避免了循环神经网络在面对较长序列数据中出现的问题；LSTM的关键在于单元的状态c_t，单元状态保存了之前的历史信息，并且参与了新状态的计算过程；对于一个LSTM单元，在计算中包括了以下几个部分：

a.首先计算遗忘信息，f_t代表遗忘门；公式如下所示，从公式中可看到，遗忘门的数值是通过上一个时间序列的隐藏层状态信息h_t-1以及当前输入值X_t决定的；

f_t＝σ(W_f·[h_t-1，X_t]+b_f)上式中，W_f表示遗忘门的权重值，b_f表示遗忘门的偏置量，σ表示遗忘门函数的系数；

b.接着系统决定需要存储在单元状态中的信息，通过输入门决定更新的信息：

i_t＝σ(W_i·[h_t-1，X_t]+b_i)

g_t＝tanh(W_g·[h_t-1，X_t]+b_t)

上式中，g_t表示遗忘权重，i_t表示需要记录的信息内容，W_i表示经过sigmoid函数的输入层神经元的权重，W_g表示遗忘门权重，b_i表示输入门的偏置量，b_t表示遗忘门偏置量，tanh表示激励函数；通过输入门和遗忘门计算出新的单元状态c_t：

c_t＝f_t*c_t-1+i_t*g_t

上式中，f_t表示当前输入门的数值，c_t-1表示前一时刻隐藏层的状态值；

c.最后基于新的单元计算得出最后的结果：

Y_t＝σ(W_y[h_t-1，X_t]+b_y)

h_t＝Y_t*tanh(c_t)

上式中，Y_t表示t时刻的输出信息，X_t表示t时刻的输入信息，h_t表示t时刻隐藏层信息，c_t表示当前时刻隐藏层的状态值，W_y表示输出层的权重值，b_y表示输出层的偏置量。