[发明专利]一种基于LSTM的流体仿真数据预测模型

说明书

本发明提供一种基于LSTM的涡旋压缩机流体仿真数据预测模型。首选利用计算流体动力学的方法计算出涡旋压缩机在运转时内部工作腔的三维瞬态流场数值。然后通过采集观测点处温度、压力和速度值随时间的变化情况。最后将采集到的时间序列数据代入LSTM网络中训练，进而利用训练好的预测模型预测观测点的热力学数值随时间的变化趋势。

技术领域

本发明设计一种流场数据预测模型，具体是指一种基于LSTM的流体仿真数据预测模型，用于代替有限元软件，对流场中观测点热力学数据进行趋势预测，进而从仿真优化的角度缩短整个流体器械的设计研发周期。

背景技术

涡旋压缩机具有体积小、工作压力范围宽、结构简单、工作效率高以及噪音振动小等优点，在工业领域得到了广泛的应用。涡旋压缩机的工作过程是三维非定常可压缩粘性流动过程。在设计验证涡旋压缩机的过程中，获取其工作过程中的状态参数是十分重要的。但是这些参数又很难用实验测定。目前大多学者采用计算流体力学的方式去预测工作过程中气体状态参数的变化规律。

通过ANSYS软件对流场模型进行网格的划分。以空气作为工质气体，使用动网格和UDF(User Defined Function，用户自定义函数)相结合的技术，对流场进行非定常瞬态仿真计算。得到工质气体在不同工况下流场内部温度、压力以及速度的分布情况。

长短时记忆网络，即LSTM(Long short-term memory)，是为了解决循环神经网络在处理较长序列数据中出现梯度消失和梯度爆炸的问题。LSTM在本质上是循环神经网络的一种变体，循环神经网络在处理有效数据时，每个时刻都会把隐藏层的值存储下来，在下一时刻使用，这样的处理方式保证了每一时刻都会有上一时刻的信息。而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。

发明内容

本发明的目的是针对涡旋压缩机的流体仿真周期长的问题，采用LSTM模型，对仿真数据进行预测，进而缩短涡旋压缩机的设计研发周期。

为了实现上述发明目的，本发明采用如下技术方案：

一种基于LSTM的涡旋压缩机流体仿真数据预测模型，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。

优选地，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，改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：