论文部分内容阅读
由于相界面分布及其作用机理异常复杂,气液两相流参数测量是多相流研究领域中的一大公认难题。钝体尾迹与其所在流场状态密切耦合,在很大程度上反映了流体的流动状态,是一个包含大量流动信息的“富流场信息源”。本论文围绕基于钝体尾迹特性的气液两相流流型识别方法开展研究,结合经验模态分解(Empirical Mode Decomposition,EMD)和支持向量机(Support Vector Machine,SVM)算法,利用钝体尾迹压差波动特性实现了气液两相流流型的准确识别。论文完成的主要工作如下:
(1)利用EMD方法对尾迹压差波动信号进行处理,通过分析各层内禀模态分量(Intrinsic Mode Function,IMF),提取得到了气液两相流的三类流型特征:统计波形特征、能量特征和熵特征。并通过分析发现,采用独立类型的流型特征实现流型识别的难度较大,而三类特征的结合能使流型识别的精度得到明显提升。此外,针对EMD方法的模态混叠缺陷,采用了集合经验模态分解(EnsembleEmpirical Mode Decomposition,EEMD)算法,有效增强了IMF物理意义的唯一性,有利于流型特征的准确提取。
(2)为提高样本数据质量提出了样本择优和数据集调整方案,并对识别模型的构建过程引入传统网格(Grid)、遗传算法(Genetic Algorithm,GA)和粒子群优化(Particle Swarm Optimization,PSO)三种寻优方法对支持向量机建模参数进行寻优操作,通过比较寻优性能和计算结果,确定了遗传算法为最佳参数寻优方法。
(3)结合具备小样本建模能力的SVM算法,构建了性能优异的气液两相流流型识别模型,同时,引入主元分析(Principal Component Analysis,PCA)方法对流型特征进行简化,在保留绝大部分流型信息的同时,提高了SVM的建模效率,降低了流型识别模型的复杂度,实现了5种流型的高精度识别。
通过以上方法,气液两相流流型识别模型的训练精度为99.5%,测试精度高达99.1%,在测试集的识别中,只有泡状流的识别率93.3%相对较低,其他四种流型的识别精度都达到了100%。