[发明专利]基于迁移学习优化液-固水力旋流器分离性能的方法

权利要求书

1.一种基于迁移学习优化液-固水力旋流器分离性能的方法，其特征在于，所述方法包括如下步骤：

步骤一：训练并建立所述液-固水力旋流器在各工况下的数据源域，通过迁移学习对未知模态下的工况进行建模，以确定所述液-固水力旋流器的特性参数；

步骤二：获取所述液-固水力旋流器的经验特性参数；

步骤三：根据所述液-固水力旋流器的特性参数，以及所获取的所述经验特性参数，采用二次正交旋转组合试验方法分别进行数值模拟；

步骤四：通过步骤三中的数值模拟分别确定得到通过迁移学习所确定的液-固水力旋流器的几何模型，以及通过所述经验特性参数所确定的液-固水力旋流器的几何模型；

步骤五：利用计算流体动力学原理，仿真计算通过迁移学习所确定的液-固水力旋流器的几何模型对应的气-液两相流的流动特性、空气柱特性、固相流动特性以及液-固水力旋流器的模拟分离效率，以及仿真计算通过经验特性参数所确定的液-固水力旋流器的几何模型对应的气-液两相流的流动特性、空气柱特性、固相流动特性以及液-固水力旋流器的模拟分离效率；

步骤六：根据各所述气-液两相流的流动特性、空气柱特性、固相流动特性以及液-固水力旋流器的模拟分离效率，确定得到所述液-固水力旋流器的最优分离效率值。

2.根据权利要求1所述的基于迁移学习优化液-固水力旋流器分离性能的方法，其特征在于，在所述步骤一中，训练并建立所述液-固水力旋流器在各工况下的数据源域，通过迁移学习对未知模态下的工况进行建模的方法具体包括如下步骤：

训练并建立所述液-固水力旋流器在各工况下的数据源域，其中，所述数据源域中的数据样本带有标签；

将未知模态下需要测试的新工况作为目标领域，并基于迁移学习原理，根据数据源域以及目标领域的数据构建特征子空间。

3.根据权利要求2所述的基于迁移学习优化液-固水力旋流器分离性能的方法，其特征在于，在所述步骤一中，所述特性参数包括物性参数，几何参数，操作参数以及分离效率；

其中，所述物性参数包括进口流速、颗粒粒径、进口密度差异、颗粒浓度；所述几何参数包括进料管直径、圆柱段直径、圆柱段长度、锥段上直径、锥段下直径、锥角、溢流管直径、溢流管长度、底流管直径以及底流管长度；所述操作参数包括入口速度以及回流比。

4.根据权利要求2所述的基于迁移学习优化液-固水力旋流器分离性能的方法，其特征在于，在所述步骤五中，进行仿真计算时，对应的仿真条件设置包括：

采用压力耦合；基于隐式方程以及非稳态算法进行仿真计算；构建流体积函数模型以及气液两相环境；入口采用速度入口，溢流口和低流口均采用压力出口；压力速度耦合采用压力校正法，离散格式采用PRESTO！格式。

5.根据权利要求2所述的基于迁移学习优化液-固水力旋流器分离性能的方法，其特征在于，在所述步骤六之后，所述方法还包括：

将得到的所述液-固水力旋流器的最优分离效率值，输入至所述数据源域，以缩小在进行数据迁移计算迭代时的误差。

6.根据权利要求2所述的基于迁移学习优化液-固水力旋流器分离性能的方法，其特征在于，在基于迁移学习原理，根据数据源域以及目标领域的数据构建特征子空间的步骤中，包括：

利用欧式距离公式、余弦相似度公式、概率互信息公式、信息散度公式、JS距离公式、最大均值差异公式以及贪心距离公式构建数据源域与目标领域之间的关系。

7.根据权利要求6所述的基于迁移学习优化液-固水力旋流器分离性能的方法，其特征在于，所述欧式距离公式表示为：

其中，d_Euclidean表示所述欧式距离，x，y分别表示在空间模型上点x以及点y分别对应的坐标，T为转置矩阵操作；

所述余弦相似度公式表示为：

其中，cos(x，y)表示点x与点y之间的余弦相似度，|x|，|y|分别为点x以及点y的绝对值运算。