[发明专利]一种基于PINN的制冷剂多相流充注流量获取方法

说明书

本发明公开一种基于PINN的制冷剂多相流充注流量获取方法，属于冷剂充注流量检测领域。基于制冷剂的气液态转换实现能量转换，在需要注入制冷剂的制冷设备的充注主管道上设置流量传感器和压力传感器，采集制冷剂加注时的速度u和绝对压力p，之后将采集到的速度u和绝对压力p输入训练好的PINN神经网络，利用PINN神经网络推断出制冷剂混合物的质量流量G，之后根据制冷剂混合物的质量流量G即可精准控制注入制冷设别的制冷剂添加量。其步骤简单，获取速度简单快捷精度高，具有广泛的实用性。

技术领域

本发明涉及一种基于PINN的制冷剂多相流充注流量获取方法，属于冷剂充注流量检测领域。

背景技术

气液两相流普遍存在于石油、化工、电力、冶金等领域，与其相关的各种参数的测量也是不可或缺的。比如，在锅炉、热交换器、冷凝器、油气运输管路等设备的状态监控、安装管理等的过程中，皆需要对其中涉及到的气液两相流参数(如流量、流型、相含率等)进行可靠的测量。然而，由于气液两相流固有的复杂性，两相流参数的检测难度非常大，尤其是流量的在线不分离的测量。

其中制冷剂是一种在制冷系统中不断循环的工作物质，通过各种热机改变自身的状态(气液态转换)来实现能量转换，因此将制冷剂看作一种可压缩气液两相流体。制冷设备都有其制冷剂充注量的标准，过多或过少的充注都会影响设备的制冷效果，因此实现制冷剂气液混合物的精确充注以及制冷过程中临界流量参数的准确测量对提高制冷效率、降低排放和成本起着至关重要的作用。尤其是医药领域中的贮藏及运输中转仓储对超低温制冷系统的苛刻要求，因此急需一种故实现制冷剂的准确充注的方法。由于制冷剂在填充和流动过程中的挥发性，其充注过程流量检测非常困难。

发明内容

针对现有技术的不足之处，提供一种基于PINN的制冷剂多相流充注流量获取方法，其步骤简单，使用方便，能够通过制冷剂充注的速度和绝对压力快速获得质量流量。

为实现上述技术目的，本发明的一种基于PINN的制冷剂多相流充注流量获取方法，基于制冷剂的气液态转换实现能量转换，在需要注入制冷剂的制冷设备的充注主管道上设置流量传感器和压力传感器，采集制冷剂加注时的速度u和绝对压力p，之后将采集到的速度u和绝对压力p输入训练好的PINN神经网络，利用PINN神经网络推断出制冷剂混合物的质量流量G，之后根据制冷剂混合物的质量流量G即可精准控制注入制冷设别的制冷剂添加量。

具体步骤如下：

S1、利用关于绝对压力p、横截面气液混合质量G和制冷剂速度u构建物理模型，物理模型的偏微分方程为：

式中，A为制冷剂充注主管道横截面积为，G是横截面积处气液混合质量，x表示制冷剂沿管道流动的空间距离坐标；

S2、构建PINN神经网络，通过神经网络拟合需要求解的偏微分方程的解析解，在训练此神经网络时使用偏微分方程的残差项，即所有的偏导项和非线性项，对神经网络的训练进行限制；从而使得神经网络在训练过程中逐渐具备了偏微分方程所描述的物理系统的先验知识；PINN神经网络由多层前馈神经网络和总损失函数构成，利用损失函数计算神经网络每次迭代的前向计算结果与真实值的差距，从而指导下一步的训练向正确的方向进行：

S2.1、构建多层前馈神经网络f(x,t；θ)，其中θ为前馈神经网络可训练的权重ω和偏差b的集合，神经网络输入x为空间坐标，t为时间坐标，输出u(x,t；θ)，p(x,t；θ)，G(x,t；θ)分别为时空坐标(x,t)下所对应的制冷剂速度u、绝对压力p、横截面气液混合质量G三个物理变量的估计值，其中u、p、G都是关于(x,t)的函数，都可以用(x,t)坐标以及中间的各项参数解析地表达出来；多层前馈神经网络f(x,t；θ)用以逼近以下偏微分方程映射：

式中的u(x,t；θ)，p(x,t；θ)，G(x,t；θ)为该偏微分方程解的代理形式；