采用本征正交分解和长短期记忆网络模型的离心泵流场预测

摘要

针对流体机械领域中瞬态流场预测的复杂性以及现有本征正交分解-径向基函数(POD-RBF)模型在时间依赖性预测方面的局限性，引入本征正交分解-长短期记忆网络(POD-LSTM)模型，以提升预测的准确性和效率。通过计算流体动力学(CFD)对二维圆柱绕流进行分析，比较了POD-RBF与POD-LSTM模型在瞬态流场预测性能上的差异。进一步将POD-LSTM模型应用于离心泵瞬态流场预测，详细分析了离心泵叶轮、蜗壳及密封装置的预测效果。计算结果表明：相较于POD-RBF模型，POD-LSTM模型在预测距离训练集较远时刻的流场时性能较优，预测精度较高，压力场的平均相对偏差仅为0.96%;与传统CFD方法相比，POD-LSTM模型在预测离心泵压力场和y方向速度场时的平均相对偏差分别为0.06%、6.07%,计算时间仅为传统CFD方法的0.01%,显著降低了计算成本；POD-LSTM模型的预测结果与CFD模拟结果的一致度较高，验证了其在离心泵流场预测中的精准性。研究可为流体机械领域数字孪生体的构建提供新的技术路径。

关键词

本征正交分解和长短期记忆网络 / 离心泵 / 瞬态流场预测 / 数字孪生

基金资助

国家自然科学基金资助项目（51922085）