【技术实现步骤摘要】
一种Modelica流体模型智能预测方法
[0001]本专利技术涉及工业系统仿真领域,尤其涉及一种
Modelica
流体模型智能预测方法
。
技术介绍
[0002]Modelica
是一种开放型的建模语言,起源于欧洲,主要是为了解决复杂物理体系建模与仿真问题而提出
。
该语言基于方程,采用面向对象和组件的方法,能够对不同领域物理系统的模型进行统一表述,实现统一建模
。
另外,它还支持层次结构建模,语言本身带有可重用的标准库和扩展库,广泛应用于机械
、
电子
、
液压
、
控制
、
热流等不同领域的多领域耦合的复杂异构模型,可以方便的实现其物理系统建模,从而快速构建复杂系统的物理仿真模型
。
标准型
、
开放性和可扩充性等优点,为给其
Modelica
带来了巨大的发展潜力,使用
Modelica
构建
Modelica
流体模型,在实际使用中,主要存在以下3个方面的问题:
1. 在
Modelica
流体模型编译求解引擎中,求解计算效率相对低下
。
求解器通常采用
Cvode、DASSL
以及
RK
等数值计算方法对微分方程组进行近似求解,采用该种方法的求解计算效率相对低下,特别当方程较为复杂或模型参数初值选择不合理时,部分数值计算方法可能 ...
【技术保护点】
【技术特征摘要】
1.
一种
Modelica
流体模型智能预测方法,其特征在于,所述预测方法包括如下步骤:步骤
S1
:所述
Modelica
流体模型进行数值计算,得到数值求解结果;步骤
S2
:将所述数值求解结果输入复合神经网络模型,所述复合神经网络模型包括
GRU
网络和
PINN
网络,其中所述
GRU
网络的输入端为所述复合神经网络模型的输入端,所述
GRU
网络的输出端连接到所述
PINN
网络的输入端,所述
PINN
网络的输出端作为所述复合神经网络模型的输出端;步骤
S3
:根据所述复合神经网络模型的输出,获得预测结果;步骤
S4
:将所述复合神经网络模型输出的数据进行保存
。2.
根据权利要求1所述的一种
Modelica
流体模型智能预测方法,其特征在于:所述数值求解结果包括:流场的横向坐标
x、
纵向坐标
y、
垂向坐标
z、
时间
t、
横向速度
u、
纵向速度
v、
垂向速度
w、
压力
p
以及温度
T。3.
根据权利要求1所述的一种
Modelica
流体模型智能预测方法,其特征在于:所述
GRU
网络数据损失项
L
GRU
的计算公式如下:
(1)
式中,
N
为样本数量,
i
为第
i
个样本点,
X
i
为第
i
个样本点坐标向量,包括第
i
个样本点在流场中的横坐标
x、
纵坐标
y
以及垂坐标
z
,
(X
i
,t)
为第
i
个样本点在
t
时刻的样本数据,表示流场中坐标点(
x,y,z
)在
t
时刻的横向速度
、
纵向速度
、
垂向速度
、
压力以及温度,
(X
i
,t)
表示第
i
个样本点在
t
时刻的数据通过
GRU
网络训练后得到的预测解
。4.
根据权利要求1所述的一种
Modelica
流体模型智能预测方法,其特征在于:所述
PINN
网络设置隐藏层为7层,各隐藏层的神经元数量
50
个
。5.
根据权利要求1所述的一种
Modelica
流体模型智能预测方法,其特征在于:所述
PINN
网络训练时使用
Adam
优化器进行学习
。6.
根据权利要求1所述的一种
Modelica
流体模型智能预测方法,其特征在于:所述
PINN
网络损失项
L
PINN
的计算公式如下:
L
PINN
=L
data
+L
phy
(2)
式中,
L
data
表示
PINN
网络数据损失项,
L
phy
表示
PINN
网络物理损失项
。7.
根据权利要求6所述的一种
Modelica
流体模型智能预测方法,其特征在于:所述
PINN
网络数据损失项
L
data
的具体确定步骤包括:确定
PINN
网络的初始条件损失项,所述
PINN
网络的初始条件损失项的计算公式如下:
(3)
式中,
N
m
为初始样本数量,
m
为第
m
个初始样本点,
X
initm
为第
m
个初始样本点坐标向量,包括第
m
个初始样本点在流场中的横坐标
x、
纵坐标...
【专利技术属性】
技术研发人员:程旭,付铁强,蒋荣,张强,张聪聪,何绍清,冯屹,张鹏,侯庆坤,张凌翔,施睿智,买清清,
申请(专利权)人:中汽数据天津有限公司中汽数据有限公司,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。