基于深度学习的全三维气固两相流时空耦合智能预测

气固流化床在化工、冶金及制药等领域得到了广泛的研究与应用。对流化床内气固两相流的动力学行为进行深入研究有利于流化床设备的设计和性能优化。本文利用深度学习技术构建了数据驱动的全三维深度时空序列模型,对流化床内气固两相流三维空间和时间维度的复杂动力学行为进行学习,并实现了对未知来流速度条件下流化床内气相和颗粒相速度场的合理预测。测试结果表明,该全三维智能模型的预测结果与CFD计算结果高度一致,具有较好的泛化能力;此外,该模型比传统的数值仿真速度快数百倍,可以用于流场的快速预测,以缓解数值仿真耗时问题。

瞬态多相流场图神经网络时空预测方法研究

为实现对大型能源化工装备(如循环流化床)内瞬态多相流场的快速时空建模和预测,本文采用基于网格图神经网络的深度学习模型,针对循环流化床非结构化时变数值仿真数据,建立离散相体积分数的时空耦合预测器。该模型有效捕捉了反应器的时空多尺度特性,能高效地进行多相流场时空耦合动态预测,结果表明:速度远超传统数值仿真,加速比可接近500。