一种基于LSTM的流体仿真数据预测模型制造技术

本发明专利技术提供一种基于LSTM的涡旋压缩机流体仿真数据预测模型。首选利用计算流体动力学的方法计算出涡旋压缩机在运转时内部工作腔的三维瞬态流场数值。然后通过采集观测点处温度、压力和速度值随时间的变化情况。最后将采集到的时间序列数据代入LSTM网络中训练，进而利用训练好的预测模型预测观测点的热力学数值随时间的变化趋势。

【技术实现步骤摘要】
一种基于LSTM的流体仿真数据预测模型
本专利技术设计一种流场数据预测模型，具体是指一种基于LSTM的流体仿真数据预测模型，用于代替有限元软件，对流场中观测点热力学数据进行趋势预测，进而从仿真优化的角度缩短整个流体器械的设计研发周期。
技术介绍
涡旋压缩机具有体积小、工作压力范围宽、结构简单、工作效率高以及噪音振动小等优点，在工业领域得到了广泛的应用。涡旋压缩机的工作过程是三维非定常可压缩粘性流动过程。在设计验证涡旋压缩机的过程中，获取其工作过程中的状态参数是十分重要的。但是这些参数又很难用实验测定。目前大多学者采用计算流体力学的方式去预测工作过程中气体状态参数的变化规律。通过ANSYS软件对流场模型进行网格的划分。以空气作为工质气体，使用动网格和UDF(UserDefinedFunction，用户自定义函数)相结合的技术，对流场进行非定常瞬态仿真计算。得到工质气体在不同工况下流场内部温度、压力以及速度的分布情况。长短时记忆网络，即LSTM(Longshort-termmemory)，是为了解决循环神经网络在处理较长序列数据中出现梯度消失和梯度爆炸的问题。LSTM在本质上是循环神经网络的一种变体，循环神经网络在处理有效数据时，每个时刻都会把隐藏层的值存储下来，在下一时刻使用，这样的处理方式保证了每一时刻都会有上一时刻的信息。而LSTM通过其特有的门控体系选择性的保留上一时刻隐藏层的数据，从而有效的避免了循环神经网络在面对较长序列数据中出现的问题。
技术实现思路
本专利技术的目的是针对涡旋压缩机的流体仿真周期长的问题，采用LSTM模型，对仿真数据进行预测，进而缩短涡旋压缩机的设计研发周期。为了实现上述专利技术目的，本专利技术采用如下技术方案：一种基于LSTM的涡旋压缩机流体仿真数据预测模型，对于涡旋压缩机流体，采用有限元仿真与LSTM数据预测相结合的方式，进而提高流体仿真速度，从而改进涡旋压缩机流体仿真流程，其特征在于：(1)进行涡旋压缩机流体仿真：首先建立涡旋压缩机流体域的三维模型，采用基于FLUENT软件的动网格方法，对涡旋压缩机内部三维流场进行瞬态计算，利用有限单元法计算涡旋压缩机在运转过程中不同时刻内部瞬态流场数值，从而得出了不同工况下流场内部压力、温度以及速度的分布情况；(2)在涡旋压缩机内部流场Z＝0.018m平面处建立三个观测点，获得观测点处的热力学参数随时间变化情况；(3)将获得的观测点处的数据整理为时间序列数值；(4)通过离散标准化方式，对观测点处的温度、压力数值输入LSTM神经网络中，进行标准化处理，获得区间范围为0-1的时间序列数值；然后在模型训练过程中不断微调损失函数以及LSTM层中正则化的参数值；(5)采用绝对均方误差，作为衡量神经网络误差性能的一个指标，判断模型的预测精度是否满足要求；进而完成对涡旋压缩机流体仿真数据的预测，输出所述涡旋压缩机流体仿真数据预测模型的预测值。优选地，使用L1正则化，来降低神经网络模型的复杂度，其损失函数C为：上式中，改项将神经网络中的权重求和，λ代表正则化参数，n为训练集包含的样本个数，W表示神经元的权重，x为每个神经元的输入值，y为输出值，α为估计值，L为估计值的次方，w为每个神经元的权值，；对C关于W求偏导可得：上式中，sgn表示符号函数，C1为原始的代价函数，W表示神经元的权重；当W大于0，结果为1，W小于0，结果为-1；神经元的权重的更新方式如下所示：上式中，η为更新后的系数。优选地，使用均方误差评估模型拟合的准确性，其具体表达式如下所示：其中，m代表训练样本的个数，h(x)表示模型预测结果，表示模型的预测值，y(i)表示模型在i时刻的输出值，x(i)表示表示模型在i时刻的输入值，θ0表示表示假设函数中输入值x0的系数，θ1表示假设函数中输入值x1的系数，i表示第i时刻，hθ表示假设函数。优选地，使用min-max标准化进行归一化处理，用以降低不同指标之间的量纲给训练网络带来的影响，其转换函数如下所示：其中max为样本数据的最大值，min为样本数据的最小值，数据通过离散标准化后，结果映射到0-1这个区间。本专利技术对采集得到的观测点热力学时间序列数据进行预处理，采用离散标准化处理方式对原始数据进行归一化处理。优选地，使用LSTM神经元模型搭建整个神经网络；LSTM通过其特有的门控体系选择性的保留上一时刻隐藏层的数据，从而有效的避免了循环神经网络在面对较长序列数据中出现的问题；LSTM的关键在于单元的状态ct，单元状态保存了之前的历史信息，并且参与了新状态的计算过程；将归一化后的数据输入到LSTM神经网络中，对于一个LSTM单元，在计算中包括了以下几个部分：a.首先计算遗忘信息，ft代表遗忘门；公式如下所示，从公式中可看到，遗忘门的数值是通过上一个时间序列的隐藏层状态信息ht-1以及当前输入值Xt决定的；ft＝σ(Wf·[ht-1，Xt]+bf)上式中，Wf表示遗忘门的权重值，bf表示遗忘门的偏置量，σ表示遗忘门函数的系数；b.接着系统决定需要存储在单元状态中的信息，通过输入门决定更新的信息：it＝σ(Wi·[ht-1，Xt]+bi)gt＝tanh(Wg·[ht-1，Xt]+bt)上式中，gt表示遗忘权重，it表示需要记录的信息内容，Wi表示经过sigmoid函数的输入层神经元的权重，Wg表示遗忘门权重，bi表示输入门的偏置量，bt表示遗忘门偏置量，tanh表示激励函数；通过输入门和遗忘门计算出新的单元状态ct：ct＝ft*ct-1+it*gt上式中，ft表示当前输入门的数值，ct-1表示前一时刻隐藏层的状态值；c.最后基于新的单元计算得出最后的结果：Yt＝σ(Wy[ht-1，Xt]+by)ht＝Yt*tanh(ct)上式中，Yt表示t时刻的输出信息，Xt表示t时刻的输入信息，ht表示t时刻隐藏层信息，ct表示当前时刻隐藏层的状态值，Wy表示输出层的权重值，by表示输出层的偏置量。优选地，采用绝对均方误差MSAPE(MeanSquareAbsolutePercentageError)作为衡量神经网络误差性能的一个指标，具体计算方法如下式：其中Yt表示第t个样本的实际值，表示模型的预测值，Y表示实际值，表示预测值。本专利技术相对于现有技术，具有如下显而易见的突出的实质性特点和显著的优点：1.本专利技术建立涡旋压缩机流体域的三维模型，利用FLUENT动网格，对涡旋压缩机内部三维流场进行瞬态计算，得出了不同工况下流场内部压力、温度以及速度的分布情况；利用Tecplot采集涡旋压缩机内部工作腔观测点的温度压力和速度数值随时间的变化规律；将观测点的时间序列数据喂给LSTM神经网络中，先进行归一化处理，将所有的数据都映射到0-1这个区间；在模型训练过程中不断微调损失函数以及LSTM层中本文档来自技高网...

【技术保护点】
1.一种基于LSTM的涡旋压缩机流体仿真数据预测模型，其特征在于：对于涡旋压缩机流体，采用有限元仿真与LSTM数据预测相结合的方式，进而提高流体仿真速度，从而改进涡旋压缩机流体仿真流程，其特征在于：/n(1)进行涡旋压缩机流体仿真：/n首先建立涡旋压缩机流体域的三维模型，采用基于FLUENT软件的动网格方法，对涡旋压缩机内部三维流场进行瞬态计算，利用有限单元法计算涡旋压缩机在运转过程中不同时刻内部瞬态流场数值，从而得出了不同工况下流场内部压力、温度以及速度的分布情况；/n(2)在涡旋压缩机内部流场Z＝0.018m平面处建立三个观测点，获得观测点处的热力学参数随时间变化情况；/n(3)将获得的观测点处的数据整理为时间序列数值；/n(4)通过离散标准化方式，对观测点处的温度、压力数值输入LSTM神经网络中，进行标准化处理，获得区间范围为0-1的时间序列数值；然后在模型训练过程中不断微调损失函数以及LSTM层中正则化的参数值；/n(5)采用绝对均方误差，作为衡量神经网络误差性能的一个指标，判断模型的预测精度是否满足要求；进而完成对涡旋压缩机流体仿真数据的预测，输出所述涡旋压缩机流体仿真数据预测模型的预测值。/n...

【技术特征摘要】
1.一种基于LSTM的涡旋压缩机流体仿真数据预测模型，其特征在于：对于涡旋压缩机流体，采用有限元仿真与LSTM数据预测相结合的方式，进而提高流体仿真速度，从而改进涡旋压缩机流体仿真流程，其特征在于：
(1)进行涡旋压缩机流体仿真：
首先建立涡旋压缩机流体域的三维模型，采用基于FLUENT软件的动网格方法，对涡旋压缩机内部三维流场进行瞬态计算，利用有限单元法计算涡旋压缩机在运转过程中不同时刻内部瞬态流场数值，从而得出了不同工况下流场内部压力、温度以及速度的分布情况；
(2)在涡旋压缩机内部流场Z＝0.018m平面处建立三个观测点，获得观测点处的热力学参数随时间变化情况；
(3)将获得的观测点处的数据整理为时间序列数值；
(4)通过离散标准化方式，对观测点处的温度、压力数值输入LSTM神经网络中，进行标准化处理，获得区间范围为0-1的时间序列数值；然后在模型训练过程中不断微调损失函数以及LSTM层中正则化的参数值；
(5)采用绝对均方误差，作为衡量神经网络误差性能的一个指标，判断模型的预测精度是否满足要求；进而完成对涡旋压缩机流体仿真数据的预测，输出所述涡旋压缩机流体仿真数据预测模型的预测值。


2.如权利要求1所述基于LSTM的涡旋压缩机流体仿真数据预测模型，其特征在于，使用L1正则化，来降低神经网络模型的复杂度，其损失函数C为：



上式中，改项将神经网络中的权重求和，λ代表正则化参数，n为训练集包含的样本个数，W表示神经元的权重，x为每个神经元的输入值，y为输出值，α为估计值，L为估计值的次方，w为每个神经元的权值，；对C关于W求偏导可得：



上式中，sgn表示符号函数，C1为原始的代价函数，W表示神经元的权重；当W大于0，结果为1，W小于0，结果为-1；神经元的权重的更新方式如下所示：



上式中，η为更新后的系数。


3.如权利要求1所述基于LSTM的涡旋压缩机流体仿真数据预测模型，其特征在于，使用均方误差评估模型拟合的准确性，其具体表达式如下所示：



其中，m代表训练样本的个数，h(x)表示模型预测结果，表示模型的预测值，y(i)表示模型在i时刻的输出值，x(i)表示模型在i时刻的输入值，θ0表示假设函数中输入值x0的系数，θ1表示假设函数中输入值x1的系数，i表示第i时刻，hθ表示假设函数。


4.如权利要...

【专利技术属性】
技术研发人员：余尧，饶家凯，王秀梅，
申请(专利权)人：上海大学，
类型：发明
国别省市：上海;31