一种制冷剂气液两相可压缩流体充注质量流量解算方法

技术领域

本发明涉及冷剂充注流量检测技术，具体涉及一种制冷剂气液两相可压缩流体充注质量流量解算方法。

背景技术

气液两相流普遍存在于石油、化工、电力、冶金等领域，与其相关的各种参数的测量也是不可或缺的。比如，在锅炉、热交换器、冷凝器、油气运输管路等设备的状态监控、安装管理等的过程中，都需要对其中涉及到的气液两相流参数(如流量、流型、相含率等)进行可靠的测量。然而，由于气液两相流固有的复杂性，两相流参数的检测难度非常大，尤其是流量的在线不分离的测量。

其中制冷剂是一种在制冷系统中不断循环的工作物质，通过各种热机改变自身的状态(气液态转换)来实现能量转换，因此将制冷剂看作一种可压缩气液两相流体。制冷设备都有其制冷剂充注量的标准，过多或过少的充注都会影响设备的制冷效果，因此实现制冷剂气液混合物的精确充注以及制冷过程中临界流量参数的准确测量对提高制冷效率、降低排放和成本起着至关重要的作用。尤其是医药领域中的贮藏及运输中转仓储对超低温制冷系统的苛刻要求，因此急需一种实现制冷剂的准确充注的方法。由于制冷剂在填充和流动过程中的挥发性，其充注过程流量检测非常困难。

发明内容

针对以上现有技术存在的问题，本发明提出了一种制冷剂气液两相可压缩流体充注质量流量解算方法。

本发明的制冷剂气液两相可压缩流体充注质量流量解算方法，包括以下步骤：

1)装置连接：

a)变截面管道包括入口段、收缩段、喉道、扩散段和出口段，其中，入口段的截面积为A

b)在入口段、收缩段和喉道的内壁分别安装第一、第二和第三压力传感器，第一、第二和第三压力传感器分别经过集成处理电路连接至上位机；

c)打开冷媒罐，使制冷剂通过变截面管道，通过第一、第二和第三压力传感器分别测得入口段、收缩段和喉道处的压强P

2)根据连续性方程和等熵流方程，建立实际质量流量方程：

a)在变截面管道中，制冷剂充注过程宏观上看作无粘等熵可压缩流体流动过程，制冷剂充注过程中无摩擦效应，满足以下质量连续性方程：

其中，g为重力加速度，

b)制冷剂充注过程中，通过变截面管道的制冷剂满足以下等熵流方程为：

其中，k为制冷剂的比热比；

c)将(1)式和(2)式结合，得到理想情况下质量流量G

d)引入变截面管道的流量系数C和制冷剂的膨胀系数Y，得到实际质量流量G的方程为：

其中，G为制冷剂的实际质量流量，D

其中，

3)根据伯努利方程及连续性方程，计算得到入口段制冷剂的流速和密度之间的关系：

入口段和收缩段的压力采集处满足以下伯努利方程：

解得：

从而通过入口段的压强P

4)利用物理神经网络PINN模型得到入口段制冷剂的密度ρ

a)设定物理神经网络PINN模型的物理约束：

对于制冷剂气液混合流的瞬态一维流动，通过将质量守恒定律和动量定律应用于变截面管道获得以下质量守恒方程和动量守恒方程：

其中，ρ为制冷剂气液混合流密度，A为变截面管道横截面积，V为速度，P为压强，λ为摩擦系数，t为时间，x为沿变截面管道流动的距离；

制冷剂气液混合流微观上看作由含有气泡的不可压缩液体组成，气泡均匀分布并根据多变过程可得到：

其中，ρ

根据气体质量比

其中，气体质量比

声速c表示为：

质量守恒方程(8)引入声速c，得到引入声速的质量守恒方程为：

引入声速的质量守恒方程(13)和动量守恒方程(9)统称为偏微分方程；

b)构建物理神经网络PINN模型：

构建多层前馈神经网络f(x,t；θ)作为物理神经网络PINN模型，其中θ为构建多层前馈神经网络过程中可调参数权重和偏差的集合，物理神经网络输入x为沿变截面管道流动的距离，t为时间，V(x,t；θ)、P(x,t；θ)和ρ(x,t；θ)分别为时空坐标(x,t)下所对应的制冷剂速度V、压强P和密度ρ的物理神经网络的输出的估计值，其中

V、P和ρ都是关于(x,t)的函数，都能够用时空坐标(x,t)以及中间的各项参数解析地表达出来；

多层前馈神经网络f(x,t；θ)用以逼近两个偏微分方程映射：

c)构建总损失函数：

定义物理约束残差项：

其中，r

利用物理约束残差项构造物理损失函数

其中，

从而通过偏微分方程(13)和(9)及方程(7)的残差项得到的物理损失函数作为物理约束；

将入口段的压强P

其中，

总损失函数为物理损失函数和数据损失函数之和，总损失函数

其中，

收集制冷剂速度V、压强P和密度ρ的先验物理信息，将先验物理信息整合到多层前馈神经网络f(x,t；θ)的总损失函数中去，用以在神经网络训练过程中进行约束，包括物理约束和数据约束；

d)训练物理神经网络：

采用神经网络迭代法使总损失函数尽可能地接近于0，用以训练物理神经网络；

在总损失函数接近0的过程中，物理神经网络输出V(x,t；θ)、P(x,t；θ)和ρ(x,t；θ)，也正在不断地接近偏微分方程和方程(7)的物理约束以及先验物理数据的数据约束，当总损失函数值低于预设阈值ζ，物理神经网络停止训练并认为已经完成训练，此时物理神经网络输出V(x,t；θ)、P(x,t；θ)和ρ(x,t；θ)最满足先验物理信息约束；

e)通过实时测得入口段制冷剂的压强P

5)将入口段制冷剂密度ρ

其中，在步骤1)中，入口段对应截面圆直径D

在步骤4)的d)中，神经网络迭代法包括梯度下降法、牛顿法、拟牛顿法、共轭梯度法或启发式优化法，使总损失函数尽可能地接近于0。预设阈值ξ为10

本发明的优点：

本发明通过制冷剂在变截面管道中入口段、收缩段及喉道处的压强值，根据连续性方程和等熵流方程，建立实际质量流量方程，根据伯努利方程及连续性方程得到入口段制冷剂的密度和入口段制冷剂流速之间的关系，利用训练好的PINN模型，得到入口段制冷剂密度，从而解算出制冷剂的实际质量流量；本发明仅使用压力传感器并结合物理神经网络即可解算制冷剂充注过程中的质量流量，能够非接触、低成本、快速准确地控制制冷剂充注的质量，能够实现制冷剂的高效利用和绿色节能减排。

附图说明

图1为本发明的制冷剂气液两相可压缩流体充注质量流量解算方法的一个实施例的结构连接的示意图；

图2为本发明的制冷剂气液两相可压缩流体充注质量流量解算方法的一个实施例的变截面管道的示意图；

图3为本发明的制冷剂气液两相可压缩流体充注质量流量解算方法的一个实施例的流程图。

具体实施方式

下面结合附图，通过具体实施例，进一步阐述本发明。

本实施例的制冷剂气液两相可压缩流体充注质量流量解算方法，如图3所示，包括以下步骤：

1)装置连接：

a)变截面管道包括入口段、收缩段、喉道、扩散段和出口段，其中，入口段的截面积为A

b)在入口段、收缩段和喉道的内壁分别安装第一、第二和第三压力传感器，第一、第二和第三压力传感器分别连接至集成处理电路，集成处理电路通过串口通信连接至上位机；

c)打开冷媒罐的阀门，使制冷剂通过变截面管道，通过第一、第二和第三压力传感器分别测得入口段、收缩段和喉道处的压强P

2)根据连续性方程和等熵流方程，建立实际质量流量方程：

a)在变截面管道中，制冷剂充注过程宏观上看作无粘等熵可压缩流体流动过程，制冷剂充注过程中无摩擦效应，满足以下质量连续性方程：

其中，g为重力加速度，

b)制冷剂充注过程中，通过变截面管道的制冷剂满足以下等熵流方程为：

其中，k为制冷剂的比热比；

c)将(1)式和(2)式结合，得到理想情况下质量流量G

d)引入变截面管道的流量系数C和制冷剂的膨胀系数Y，得到实际质量流量G的方程为：

其中，G为制冷剂的实际质量流量，这里入口段制冷剂密度ρ

其中，

3)根据伯努利方程及连续性方程，计算得到入口段制冷剂的流速和密度之间的关系：

入口段和收缩段的压力采集处满足以下伯努利方程：

解得：

从而通过入口段的压强P

4)利用物理神经网络PINN模型得到入口段制冷剂的密度ρ

a)设定物理神经网络PINN模型的物理约束：

对于制冷剂气液混合流的瞬态一维流动，通过将质量守恒定律和动量定律应用于变截面管道获得以下质量守恒方程和动量守恒方程：

其中，ρ为制冷剂气液混合流密度，A为变截面管道横截面积，V为速度，P为压强，λ为摩擦系数，t为时间，x为沿变截面管道流动的距离；

制冷剂气液混合流微观上看作由含有气泡的不可压缩液体组成，气泡均匀分布并根据多变过程可得到：

其中，ρ

根据气体质量比

其中，气体质量比

声速c表示为：

质量守恒方程(8)引入声速c，得到引入声速的质量守恒方程为：

引入声速的质量守恒方程(13)和动量守恒方程(9)统称为偏微分方程；

b)构建物理神经网络PINN模型：

构建多层前馈神经网络f(x,t；θ)作为物理神经网络PINN模型，其中θ为构建多层前馈神经网络过程中可调参数权重ω和偏差b的集合，物理神经网络输入x为沿变截面管道流动的距离，t为时间，V(x,t；θ)、P(x,t；θ)和ρ(x,t；θ)分别为时空坐标(x,t)下所对应的制冷剂速度V、压强P和密度ρ的物理神经网络的输出的估计值，其中V、P和ρ都是关于(x,t)的函数，都能够用时空坐标(x,t)以及中间的各项参数解析地表达出来；

多层前馈神经网络f(x,t；θ)用以逼近两个偏微分方程映射：

c)构建总损失函数：

定义物理约束残差项：

其中，r

利用物理约束残差项构造物理损失函数

其中，

从而通过偏微分方程(13)和(9)及方程(7)的残差项得到的物理损失函数作为物理约束；

将入口段的压强P

其中，

总损失函数为物理损失函数和数据损失函数之和，总损失函数

其中，ω

总损失函数为物理损失函数和数据损失函数之和，总损失函数

其中，

收集制冷剂速度V、压强P和密度ρ的先验物理信息，先验物理信息包括先验物理数据和先验物理方程，先验物理方程指偏微分方程及方程(7)用于物理约束的方程，将先验物理信息整合到多层前馈神经网络f(x,t；θ)的总损失函数中去，用以在神经网络训练过程中进行约束，包括物理约束和数据约束；

d)训练物理神经网络：

采用梯度下降法使总损失函数尽可能地接近于0，用以训练物理神经网络；在总损失函数接近0的过程中，物理神经网络输出V(x,t；θ)、P(x,t；θ)和ρ(x,t；θ)，也正在不断地接近偏微分方程和方程(7)的物理约束以及先验物理数据的数据约束，当总损失函数值低于预设阈值10

e)通过实时测得入口段制冷剂的压强P

5)将入口段制冷剂密度ρ

最后需要注意的是，公布实施例的目的在于帮助进一步理解本发明，但是本领域的技术人员可以理解：在不脱离本发明及所附的权利要求的精神和范围内，各种替换和修改都是可能的。因此，本发明不应局限于实施例所公开的内容，本发明要求保护的范围以权利要求书界定的范围为准。