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。

煤炭超临界水制氢反应器多相流降阶建模及快速校正预测的研究

煤炭超临界水制氢技术将超临界水用作煤气化反应媒介,具有环境友好、煤炭转化效率高等优势。本文建立了煤炭超临界水制氢反应器二维瞬态数值模型,采用动力学模态分解(Dynamic Mode Decomposition,DMD)方法对各组分流场数据进行低维空间动力学降阶分析,针对传统DMD方法流场预测时的误差累积问题,提出基于最近邻和线性回归校正策略的DMD单步预测方法。结果表明:利用DMD方法可以较准确地提取制氢反应器内多相流各物理量的主导模态及其时变特征;与传统的DMD预测方法相比,基于修正策略的DMD单步预测方法在训练集上的重构精度相仿,但对未来时刻流场演变的预测精度可提高1~2个数量级;与基于最近邻校正策略的DMD单步预测相比,线性回归校正策略的预测精度更高,但重构精度略低,计算复杂度相对更高;另外,增加DMD截断阶数与训练数据量有利于提升模型重构与预测精度。