导航：首页> 压力机>一种基于神经网络算法预测喷射器效率的模拟方法

一种基于神经网络算法预测喷射器效率的模拟方法

文献发布时间：2024-01-17 01:21:27

技术领域

涉及到喷射器结构设计过程中，预测喷射器效率的模拟方法技术领域。

背景技术

喷射器作为聚丙烯生产工艺流程中重要的设备，当运行条件偏离喷射器及系统设计工况时，其性能降低更为严重。目前在喷射器设计阶段，未考虑不同运行工况下喷射器性能的变化规律，未对喷射器效率进行模拟预测后进行优化，设计出的喷射器存在性能不理想。

传统的喷射器设计方法往往需要大量的试验和经验，耗时耗力，成本高昂。而神经网络算法作为一种基于数据的机器学习方法，可以通过大量的数据训练出一个高度准确的模型，实现对喷射器效率的精准预测。

发明内容

综上所述，本发明的目的在于克服现有技术在喷射器设计阶段的不足，基于流场数值计算与优化算法结合的方法，提供了一种基于神经网络算法预测喷射器效率的方法，包括收集喷射器的各项参数数据、建立神经网络模型、训练模型和预测效率，该方法可以有效地提高喷射器的设计效率，从而指导设计过程。

为解决本发明所提出的技术问题，采用的技术方案为：

一种基于神经网络算法预测喷射器效率的模拟方法，其特征在于所述模拟方法包括以下步骤：

(1)、采用计算机辅助工程软件中Design Modeler模块建立喷射器流体计算域的三维仿真模型；需设定的参数包括：喷射器几何形状、几何尺寸、进出口几何形状、几何尺寸、喷射区喉部进口尺寸和混合区出口尺寸；

(2)、将步骤(1)建立的喷射器流体计算域的三维仿真模型分别传递到网格划分Mesh模块中，在Mesh模块中采用Multizone方式对三维仿真模型进行网格划分，对靠近炉腔壁面处进行网格加密，同时保证整体结构的网格质量大于0.5，定义三维仿真模型进出口与壁面边界名称；

(3)、将步骤(2)中网格划分好的喷射器流体计算域的三维仿真模型传递到计算机辅助工程软件的计算模块，并在计算模块进行设置，在Domain选项中设置传热模型与湍流模型，Buoyancy Model中设定Gravity Y Dirn为9.81m

(4)、在计算机辅助工程软件中的计算模块里设置检测点和检测面，并进行仿真运算得到仿真结果，以此作为设计喷射器腔体结构的指标；

(5)、在相同设置条件下，通过将三维仿真模型设置不同参数并重复步骤(1)-(4)，以进行多次模拟计算，由喷射器内监测点的温度变化曲线、检测面的压力云图、检测面的速度云图作为评价喷射器效果的指标，以此确定最优化的喷射器结构参数与气流分布设计；

(6)、根据步骤(5)中的结果，采用神经网络优化算法对喷射器关键结构参数设计，神经网络优化算法对喷射器关键结构参数设计，包括如下步骤：

6.1建立神经网络模型，包括输入层、隐藏层和输出层。其中输入层的节点数等于喷射器的几何参数数量，将d

6.2根据系统输入序列确定输入层节点数n为5，隐含层节点数l为150，输出层节点m数为2，通过随机正态分布给定150层神经元间的连接权值ω

6.3训练神经网络模型，采用反向传播算法进行训练，训练数据采用数值模拟数据，使神经网络模型的输出值与实际效率值的误差最小化；

6.4验证模型的预测精度，采用交叉验证方法或留出法进行验证。将部分数据作为测试集，用模型进行预测，然后将预测值与实际值进行比较，计算误差和相关系数；

6.5使用模型进行效率预测，输入喷射器的各项参数数据，输出喷射器的效率值，可以将预测结果与实际效率值进行比较，评估模型的预测精度；

6.6在完成BP神经网络的训练及测试后，找出喷射系数最高、压力降最大的喷射器结构参数；

最后将经过训练后的结果重复步骤所述步骤(1)-(5)，以此确定最优的几何参数。

作为对本发明进一步限定的技术特征包括有：

步骤(3)中，对在计算模块进行设置的过程如下：

(3.1)、在New Material选项中定义烯烃气的物质属性，主要有密度、黏度、导热系数、比热容。

(3.2)、在Buoyancy选项中，将y方向Gravity Y Dirn根据要求设定为预设值，Analysis type选项设置为Transient瞬态计算；

(3.3)、将Fluid Models选项中的Heat Transfer设置为Thermal Energy，Turbulence选项中选取k-epsilon模型；

(3.4)在Material Library选项部分选择烯烃气体和丙烯气；

(3.5)、在Fluid and particle Definitions选项中将Fluid1部分设为烯烃气体，Fluid2部分设为丙烯气；

(3.6)、在Boundary选项中设置入口边界条件为Mass Flow，并将Heat Transfer选项根据实际要求设置为预设值，设置出口边界条件为Average Static Pressure，将每个计算域设置为Interface进行数据交换，对流换热系数根据实际要求设置为预设值，其他壁面设置为绝热光滑壁面；

(3.7)、选择Define Run后进行计算。

步骤(4)中，选择喷射器内三维仿真模型的中心点作为检测点，检测面为过中心点的X方向平面。

步骤(4)中所述仿真结果包括：检测点的温度变化曲线，检测面的压力云图，检测面的速度云图，检测面的温度云图。

本发明的有益效果为：本发明通过建立能准确模拟并预测喷射器性能的理论计算摸型，研究不同运行工况下喷射器性能的变化规律，探究不同运行参数对喷射器性能影响的特征面，克服现有技术在喷射器设计阶段的不足，基于流场数值计算与优化算法结合的方法，对喷射器的性能提升方法进行研究，有助于深入了解喷射器工作过程，从而提高喷射器结构设计的优化处理，提升喷射器性能。

附图说明

图1为本发明的神经网络模型示意图。

图2为本发明的神经网络模型训练过程的误差曲线图。

图3为本发明的优化后速度分布云图。

图4为本发明的优化后压力分布云图。

图5为本发明的优化后检测面的温度云图。

具体实施方式

以下结合附图本发明优选的具体实施例对本发明的方法作进一步说明。

一种基于神经网络算法预测喷射器效率的模拟方法，其特征在于所述模拟方法包括以下步骤：

(1)、采用计算机辅助工程软件中Design Modeler模块建立喷射器流体计算域的三维仿真模型；需设定的参数包括：喷射器几何形状、几何尺寸、进出口几何形状、几何尺寸、喷射区喉部进口尺寸和混合区出口尺寸；计算机辅助工程软件，也即CAE(ComputerAided Engineering)软件，比如，具体可以选择ANSYS软件。

(2)、将步骤(1)建立的喷射器流体计算域的三维仿真模型分别传递到网格划分Mesh模块中，在Mesh模块中采用Multizone方式对三维仿真模型进行网格划分，对靠近炉腔壁面处进行网格加密，同时保证整体结构的网格质量大于0.5，为了后期方便设置计算边界条件参数，定义三维仿真模型进出口与壁面边界名称。