【研究前沿】机器学习ML结合CFD用于数字流量控制单元中的瞬态流量预测
这篇文章是2024年发表在《Flow Measurement and Instrumentation》。
研究了基于机器学习的CFD（ML_CFD）和混合分析模型在温度补偿的数字流量单元中预测瞬态流量的性能。利用了二进制编码的并联开关阀，这些阀门能够在较少的阀门数量下实现高流量，同时解决流量峰值的挑战。通过考虑温度并改进建模技术，本研究纠正了先前研究中观察到的某些限制，例如忽略温度、阀门孔口流量系数不准确以及缺少流量模式可视化，从而提高了流量预测的准确性。对于基于ML_CFD的模型的结果表明，尽管在数据驱动系统中存在外推挑战，但所提出的方法在不同指标下显示出小于5%的误差，这归因于约束良好的过度参数化模型的有效性和数字流量控制单元的分段结构。
1. 研究方法
- 液压热分析调查：分析了液压系统的运行范围，以及温度对流体密度和粘度的影响。
- 最新技术：探讨了包括机器学习技术在内的最新流量映射技术，这些技术将温度因素整合到流量预测中。
- 文献回顾：回顾了数字流量控制单元的相关文献，特别是关于温度管理与传统流量容量的研究。
2. 研究模型
- 机器学习的CFD模型 ：提出了一个基于机器学习CFD模型，该模型在多样化的评估指标下显示出小于5%的误差。
- 混合分析模型：提出了一个简化的混合分析模型，该模型虽然在实施上更为简便，但在处理超出预调放水系数的数据时会遇到限制。
3. 研究结果
- 机器学习CFD模型：即便在数据驱动系统不常见的外推挑战中，所提出的方法在多种评估指标下显示出小于5%的误差。
- 混合分析模型：虽然简化，但在处理超出预调放水系数的数据时受限。
4. 研究结论
- 结合CFD、分析建模技术和机器学习，开发出更健壮、更准确的DFCU流量预测解决方案。
- 研究显示，机器学习模型能够基于温度、压力和阀门位置准确预测流量，且误差在可接受范围内。
- 尽管机器学习模型在映射DFCU流量动态方面显示出更高的能力，但考虑到CFD和机器学习的复杂性，研究也认识到提出的简单混合分析模型的优势，如减少计算时间、易于集成和最小化差异。
