采用本征正交分解和长短期记忆网络模型的离心泵流场预测

针对流体机械领域中瞬态流场预测的复杂性以及现有本征正交分解-径向基函数(POD-RBF)模型在时间依赖性预测方面的局限性,引入本征正交分解-长短期记忆网络(POD-LSTM)模型,以提升预测的准确性和效率。通过计算流体动力学(CFD)对二维圆柱绕流进行分析,比较了POD-RBF与POD-LSTM模型在瞬态流场预测性能上的差异。进一步将POD-LSTM模型应用于离心泵瞬态流场预测,详细分析了离心泵叶轮、蜗壳及密封装置的预测效果。计算结果表明:相较于POD-RBF模型,POD-LSTM模型在预测距离训练集较远时刻的流场时性能较优,预测精度较高,压力场的平均相对偏差仅为0.96%;与传统CFD方法相比,POD-LSTM模型在预测离心泵压力场和y方向速度场时的平均相对偏差分别为0.06%、6.07%,计算时间仅为传统CFD方法的0.01%,显著降低了计算成本;POD-LSTM模型的预测结果与CFD模拟结果的一致度较高,验证了其在离心泵流场预测中的精准性。研究可为流体机械领域数字孪生体的构建提供新的技术路径。

利用长短期记忆神经网络的改进POD-Galerkin降阶模型及其在流场预测中的应用

针对标准POD-Galerkin降阶模型在流场快速预测中存在误差而导致精度不高的问题,提出了一种利用长短期记忆神经网络的改进POD-Galerkin降阶模型。使用本征正交分解对流场进行降维,投影得到低维降阶模型,引入两个长短期记忆神经网络,建立从POD-Galerkin降阶模型到实际POD模态时间系数之间的修正映射、低阶模态时间系数与高阶模态时间系数之间的扩展映射,分别用于消除标准POD-Galerkin降阶模型的误差累积和扩展降阶模型的阶数,从而实现物理驱动与数据驱动混合的流动降阶模型的构建。将改进POD-Galerkin降阶模型应用于二维圆柱绕流的流场预测,通过与原始标准POD-Galerkin降阶模型的对比,分析了所提模型的精度和计算速度。结果表明:添加神经网络修正项后的降阶模型相较于标准POD-Galerkin降阶模型,有效提升了降阶模型的精度,预测各阶模态时间系数的均方根误差能够减小1~2个数量级,预测的流场更接近原始流场;在预测相同阶数的情况下,计算时间显著减小,基于4阶和6阶扩展的8阶改进降阶模型相较于原始8阶POD-Galerkin降阶模型预测速度分别提高了约56%和25%。

基于正交小波和长短期记忆神经网络的用电负荷预测方法

用电负荷数据的波动性和周期性会影响电力负荷预测的准确性,针对此问题,文中提出了一种基于正交小波长短期记忆神经网络(orthogonal wavelet transform-long short-term memory,OWT-LSTM)的用电负荷预测方法。该方法对用电负荷序列进行正交小波分解,消除负荷数据的波动性,然后利用LSTM及其变种神经网络对正交小波分解后的各尺度负荷序列进行建模训练,通过各序列预测结果进行预测重构,获得最终的负荷预测结果。通过用户用电负荷数据集验证表明,该方法的预测性能优于其他模型,具有较高的预测精确性和稳定性。

基于深度置信网络模型改进的数据中心温度场本征正交分解预测模型

本征正交分解(POD)是数据中心温度场降阶重构的一种常用模型,常规基于插值法获取模态系数的POD模型泛化能力较差。本文通过建立基于深度学习的深度置信网络模型(DBN),对POD模态系数计算方法进行了改进,提高泛化状态下POD模型预测温度场分布的准确性。研究结果表明,基于DBN改进后的POD模型(POD-DBN)的泛化能力大幅提高。与插值法获取模态系数的POD模型相比,POD-DBN模型在泛化状态下的平均相对误差下降至3%以内,平均绝对误差下降至0.5℃以内。利用POD-DBN模型,可以为数据中心空调系统的控制提供快速准确的温度场预测。

基于FMCW雷达的人体生命体征信号预测算法

将FMCW雷达检测到的人体生命体征信号,用于预测未来一段时间内人体生命体征信号是否异常,具有明显的应用价值。该方向当前研究主要针对如何进一步降低重构误差、提升生命体征信号的预测精度。为此,本文提出一种自适应变分模态分解-长短期记忆神经网络的生命体征信号预测方法。针对静止状态下的人体,通过雷达采集到的生命体征信号,采用粒子群算法优化变分模态分解VMD的模态分量个数K和惩罚系数α的值,实现自适应选取后用于VMD分解,再将分解后的模态分量进行叠加重构。采用粒子群算法优化长短期记忆网络模型中的网络层数、学习率、正则化系数等3个参数,自适应选取合适的参数组合,将重构后的信号通过优化后的LSTM网络进行预测。实验结果显示本文所提预测方法在10位志愿者的预测结果与原始数据的均方根误差平均值为0.017 188 9,平均绝对误差的平均值为0.007 158,相较于当前其他研究,预测精度上有明显提升。

基于变分模态分解和深度学习的短期电力负荷预测模型

提升负荷预测的准确性对于指导电力系统的生产计划、经济调度以及稳定运行至关重要。提出一种基于变分模态分解(Variational Mode Decomposition,VMD)和长短期记忆(Long Short Term Memory,LSTM)神经网络的短期负荷预测模型。利用VMD算法将负荷序列分解成不同的本征模态函数(Intrinsic Mode Functions,IMF),每个IMF结合LSTM进行预测,将各部分预测结果叠加得到VMD-LSTM模型的预测结果。分析实验结果,相比单一LSTM和经验模态分解(Empirical Mode Decomposition,EMD)组合LSTM预测方法,该方法能有效的提升负荷预测的准确性。

基于CEEMD-ITSA-BiLSTM组合模型的短期负荷预测

准确预测电力系统短期负荷有助于灵活规划系统资源、合理安排机组工作调度以及提高系统运行效率。针对负荷预测精度问题,文中提出了一种基于CEEMD-ITSA-BiLSTM(Complete Ensemble Empirical Mode Decomposition-Improved Tunicate Swarm Algorithm-Bidirectional Long Short-Term Memory)的短期负荷预测模型。对时序性负荷数据进行CEEMD分解,得到若干个平稳的IMF(Intrinsic Mode Function),并对每个IMF进行BiLSTM建模预测。为了提高BiLSTM的精度,采用ITSA算法对BiLSTM的隐含层节点数、学习率和训练次数等超参数进行参数寻优,建立CEEMD-ITSA-BiLSTM负荷预测模型。文中以实际负荷数据进行仿真实验,对比了单一BiLSTM和不同算法优化的BiLSTM模型,结果表明CEEMD-ITSA-BiLSTM模型的RMSE(Root Mean Square Error)、MAE(Mean Absolute Error)和MAPE(Mean Absolute Percentage Error)误差指标相比于BiLSTM模型分别提高了48.54%、51.32%和44.78%,显著低于其他对比模型。

基于长短期记忆神经网络的涡激振动快速预报

基于本征正交分解(POD)方法和长短期记忆(LSTM)神经网络,建立圆柱双自由度VIV短期高精度快速预报模型,即POD-LSTM模型。模型训练所需数据通过浸没边界格子玻尔兹曼方法(IB-LBM)生成。基于POD降阶方法建立编码层和解码层,将流场快照集转化为一系列模态系数的时间序列,将其作为LSTM网络的输入,并将预报所得模态系数重构为流场快照。通过LSTM及滑动时间窗口策略实现未来任意时刻信息的预报。在Re=150、U_(r)=3,5,6,8工况下,基于过去50个时刻的历史数据,对未来300个时刻的流场速度分布及圆柱横流向位移进行预报。速度场的量纲一预报误差和均方根误差、圆柱横流向位移的均方根误差均维持在较低的水平,证明了POD-LSTM模型具备较高的预报精度。此外,在相同条件下,POD-LSTM模型计算耗时仅为IB-LBM的5.27%,在预报效率方面有显著优势。

EOF-LSTM神经网络的电离层TEC预报模型

为有效利用电离层总电子含量序列的时间信息,提出一种经验正交函数分解与长短期记忆神经网络组合的预报模型,利用IGS提供的云南地区TEC格网数据,分别对不同地点和不同时段的电离层进行建模预报。实验结果表明,该模型在同一时段预报5 d的TEC值均方根误差最优达1.83 TECu,较单一模型减小16%,其平均相对精度最优达91.56%,较单一模型增加7%;在同一地点预报5 d的TEC值均方根误差最优达1.86 TECu,较单一模型减小25%,其平均相对精度最优达90.74%,较单一模型增加7%。

铁路道砟形态特征的统计分析与几何重构

道砟颗粒几何形态特征对其力学特性影响显著。为了量化研究铁路道砟形态特征,以真实的铁路一级碎石道砟颗粒为例,采用3D激光扫描获取道砟颗粒点云数据,引入道砟整体形态特征指标(长轴、中轴、短轴、球度指数),提出道砟局部形态特征指标(曲率指数),统计并建立上述整体和局部形态特征指标的概率密度分布函数。在此基础上,基于本征正交分解(POD)及径向基(RBF)神经网络提出了基于颗粒形态指标概率密度分布的道砟样本的重生成算法,重构道砟颗粒样本库。采用上述重生成算法分别重构了600及4000个颗粒道砟,结果表明:重构道砟样本形态特征指标的统计分布结果均与真实扫描试样结果接近,证明该方法能够快速实现基于颗粒形态指标概率密度分布的任意数量道砟样本的建立。

自动编码解码器和本征正交分解在倾斜圆盘绕流尾流场中的应用

本征正交分解(Proper Orthogonal Decomposition, POD)是一种传统降维模型,在流体力学中广泛应用。在流场分析中,POD把高维流场数据降维,映射到低维的正交基模态空间,从而分析出流场的主要特征及其对应的基模态系数。随着深度学习的发展,运用卷积神经网络(convolutional neural network, CNN)自动编码解码器在数据降维方面具有的固有优势,可以作为一种降维方法应用在流场降维与数据处理方面。该文以三维倾斜圆盘绕流尾流场中的典型二维截面为例,将圆盘后速度场作为研究对象,分别使用POD和自动编码解码器对流场进行特征提取,并比较了两种方法的优缺点。

基于LSTM-POD的汽车湍流尾迹的高时间分辨速度场重构

本文针对方背Ahmed汽车标模的湍流尾迹,建立基于长短时记忆法(long short-term memory,LSTM)和本征正交分解(proper orthogonal decomposition, POD)相结合的深度学习模型LSTM-POD。通过建立非时间分辨平面速度场POD模态系数和若干离散点的时间分辨速度信号的映射关系,实现了方背Ahmed汽车标模湍流尾迹流场的高时间分辨率重构,并对比了不同时间步长配置,即单时间步长(LSTM-Sin)和多时间步长(LSTM-Mul)对重构效果的影响。研究表明:LSTM-POD模型在时间序列重构中具有较强的学习和泛化能力。另外,LSTM-Mul考虑到了时间上的连续性和相关性,相较于LSTM-Sin,其重构出的低阶模态系数和速度场与POD的重构结果更吻合。本研究提出的深度学习模型可以缓解通过实验及高精度数值模拟获取高时间分辨率流场数据资源消耗大、计算效率低等问题。

注意力去噪与复数LSTM的时变信道预测算法

随着无线通信技术的发展,高速场景下通信技术的研究也越来越广泛,其中获取到准确的信道状态信息对提升无线通信系统的性能具有重要的意义。针对正交频分复用系统在高速场景下,现有信道预测算法未考虑噪声影响及预测精度低的问题,提出了一种注意力去噪与复数卷积LSTM的时变信道预测算法。首先,设计了一种通道注意力信道去噪网络对信道状态信息进行去噪处理,降低了噪声对信道状态信息的影响。然后,提出了基于复数卷积层和长短期记忆网络的信道预测模型,对去噪后历史时刻的信道状态信息进行特征提取,并且对未来时刻的信道状态信息进行预测;改进后的LSTM预测模型增强了对信道时序特征的提取能力,提高了信道预测的精度。最后,结合Adam优化器对未来时刻信道状态信息进行预测输出。仿真结果表明:与对比算法相比,所提基于注意力去噪与复数卷积LSTM的时变信道预测算法对信道状态信息的预测精度更高,能够适用于高速移动场景下的时变信道预测。

基于测点聚类的POD-BPNN风压重构方法

文章提出本征正交分解(POD)与聚类分析结合的结构表面风压测点分类与关键测点布置方法,基于少量测点的风压数据,通过POD与误差反向传播神经网络(BPNN)方法实现方柱结构表面风压时程的重构。机器学习数据集为多风向角均匀来流下单方柱测压风洞试验得到的测点风压时程。将44个测点的风压时程数据POD降维,并采用K-means++聚类分析得到方柱周向轮廓系数分布,并基于轮廓系数的多风向角平均值,得到12、16、20和24个关键测点的轴对称布置方案。以关键测点的风压时程数据为训练集,采用POD-BPNN方法重构方柱表面其余测点所在位置的风压时程,并将风压时程及其统计值同试验结果对比。从12~20测点方案,风压重构精度逐步提升;20测点和24测点方案的重构风压差异较小,二者都能较好地重构方柱表面风压分布,仅在0°风向角方柱脉动风压误差偏大。

基于POD-LSTM的污水处理过程模型预测控制

为了解决模型预测控制在污水处理等大型非线性系统中求解非线性优化问题时计算成本较高的问题,本文提出了一种应用于污水处理基准的降阶神经网络模型预测控制算法。首先,针对污水处理中的大规模非线性和强耦合性系统,采用本征正交分解方法构建出降阶过程模型,降低非线性系统的复杂度。然后,利用长短期记忆网络来近似降阶之后的系统,从而解决降阶后的系统难以用显式表达的问题。最后,在此降阶系统的基础上设计模型预测控制器,实现对污水处理的高效控制。实验结果表明,在保证较好控制效果的同时,所提出的降阶神经网络模型预测控制策略相较于污水处理第一原理模型的模型预测控制策略,计算时间大幅度减少。

海上风力机前端风电场瞬态重构研究

针对海上风电单机位风速测点有限的关键问题,提出一种基于少数风速测点的海上风力机前端风电场瞬态扩展方法。基于本征正交分解(POD)将先验风电场数据分解为时间系数与空间模态特征信息,通过循环神经网络(RNN)建立有限风速测点到全局风电场的非线性映射关系,实时构建海上瞬态风电场。结果表明基于POD-RNN的重构模型可通过有限风速测点准确重构海上风力机前端风电场,全局风电场瞬态重构均方根误差(RMSE)可控制在1.8136 m/s内。

基于POD-ANNS的架空输电线路舞动响应预测

针对塔线体系下覆冰八分裂导线的舞动特性,通常采用有限元法(FEM)获取舞动响应,但是FEM往往会花费大量时间,获取舞动响应的时间成本巨大,有限模型搭建难度大、类型繁多,同时也必须考虑动力学求解中计算不收敛等棘手问题。因此,获得不同参数、工况下的舞动响应比较困难。该文提出了一种混合代理模型,该模型能基于本征正交分解(POD)和人工神经网络(ANNS)实现舞动响应的快速预测。将FEM得到的舞动响应组合成快照矩阵,然后基于POD方法得到快照矩阵的POD模态基系数和POD模态;使用3种代理模型(BPNN、RBFNN、CNN)预测POD模态基系数,线性组合预测的POD模态基系数和POD模态,实现舞动响应的快速预测;还对比了3种混合模型下(POD-BPNN、POD-RBFNN、POD-CNN)的预测误差,预测时间。结果表明:3种混合模型均能快速、准确地得到目标响应,并且POD-RBFNN混合模型的误差更小;快照数量达到60个,基本可表征出全部样本的特征。

大跨平屋盖风荷载特性及风压预测研究

在大气边界层风洞中开展了大跨平屋盖结构刚性模型试验,获得了屋盖表面测点的风压时程,分析了典型风向下屋盖表面平均风压与脉动风压特性。结合本征正交分解技术(POD)与BP神经网络法,提出了一种可用于大跨结构进行空间插值的机器学习法—POD-BPNN法,实现了对风压的高效预测。预测的平均风压系数、脉动风压系数、脉动风压的时域与频域特性均与风洞试验值相吻合。表明运用POD-BPNN方法预测大跨结构表面风压是可行的。

基于两层POD和BPNN的翼型反设计方法

翼型优化过程需要大量的CFD分析,计算量大、耗时长。本文发展基于本征正交分解(POD)和反向传播神经网络(BPNN)的翼型反设计方法,该方法的优化过程如下:首先,通过Hicks-Henne参数化,在设计空间中构造翼型外形的样本库,并利用Xfoil/Fluent对样本翼型的流场进行求解;然后,对翼面压力系数和几何外形分别建立POD模型,即两层POD模型,并得到对应的基模态系数;最后,使用BPNN建立从压力系数的基模态系数到几何外形的基模态系数的映射,实现在给定压力系数下对几何外形的快速预测。通过算例分析,结果表明:在亚/跨声速状态,基于200个样本训练所得的两层POD+BPNN模型可以实现对具有目标压力系数分布的翼型的预测,其精度满足翼型反设计要求。

基于平流层风场预测的浮空器轨迹控制

平流层风场环境对浮空器设计和轨迹控制具有重要影响。针对平流层风场建模,以长沙地区2005—2010年的风场数据为例,首先采用本征正交分解(POD)方法对风场数据进行降阶处理;然后分别采用Fourier级数与BP神经网络算法对平流层风场进行预测,并对2种模型的预测精度进行比较分析;最后通过建立临近空间浮空器的动力学模型和高度调控模型,分析2种风场预测模型对浮空器轨迹控制的影响。研究结果表明,相对于Fourier预测模型,基于BP神经网络预测模型的预测精度更高,可信度更强,能够更好地为浮空器飞行轨迹控制提供参考价值。