基于氣液兩相流鈍體尾跡波動(dòng)的EMD-SVM流型識(shí)別方法研究.pdf

1、由于相界面分布及其作用機(jī)理異常復(fù)雜，氣液兩相流參數(shù)測(cè)量是多相流研究領(lǐng)域中的一大公認(rèn)難題。鈍體尾跡與其所在流場(chǎng)狀態(tài)密切耦合，在很大程度上反映了流體的流動(dòng)狀態(tài)，是一個(gè)包含大量流動(dòng)信息的“富流場(chǎng)信息源”。本論文圍繞基于鈍體尾跡特性的氣液兩相流流型識(shí)別方法開展研究，結(jié)合經(jīng)驗(yàn)?zāi)B(tài)分解(Empirical Mode Decomposition，EMD)和支持向量機(jī)(Support Vector Machine，SVM)算法，利用鈍體尾跡壓差波動(dòng)特性

2、實(shí)現(xiàn)了氣液兩相流流型的準(zhǔn)確識(shí)別。論文完成的主要工作如下:
　　 (1)利用EMD方法對(duì)尾跡壓差波動(dòng)信號(hào)進(jìn)行處理，通過(guò)分析各層內(nèi)稟模態(tài)分量(Intrinsic Mode Function，IMF)，提取得到了氣液兩相流的三類流型特征:統(tǒng)計(jì)波形特征、能量特征和熵特征。并通過(guò)分析發(fā)現(xiàn)，采用獨(dú)立類型的流型特征實(shí)現(xiàn)流型識(shí)別的難度較大，而三類特征的結(jié)合能使流型識(shí)別的精度得到明顯提升。此外，針對(duì)EMD方法的模態(tài)混疊缺陷，采用了集合經(jīng)驗(yàn)?zāi)B(tài)分解

3、(EnsembleEmpirical Mode Decomposition，EEMD)算法，有效增強(qiáng)了IMF物理意義的唯一性，有利于流型特征的準(zhǔn)確提取。
　　 (2)為提高樣本數(shù)據(jù)質(zhì)量提出了樣本擇優(yōu)和數(shù)據(jù)集調(diào)整方案，并對(duì)識(shí)別模型的構(gòu)建過(guò)程引入傳統(tǒng)網(wǎng)格（Grid）、遺傳算法(Genetic Algorithm，GA)和粒子群優(yōu)化（Particle Swarm Optimization，PSO）三種尋優(yōu)方法對(duì)支持向量機(jī)建模參數(shù)進(jìn)行尋

4、優(yōu)操作，通過(guò)比較尋優(yōu)性能和計(jì)算結(jié)果，確定了遺傳算法為最佳參數(shù)尋優(yōu)方法。
　　 (3)結(jié)合具備小樣本建模能力的SVM算法，構(gòu)建了性能優(yōu)異的氣液兩相流流型識(shí)別模型，同時(shí)，引入主元分析(Principal Component Analysis，PCA)方法對(duì)流型特征進(jìn)行簡(jiǎn)化，在保留絕大部分流型信息的同時(shí)，提高了SVM的建模效率，降低了流型識(shí)別模型的復(fù)雜度，實(shí)現(xiàn)了5種流型的高精度識(shí)別。
　　 通過(guò)以上方法，氣液兩相流流型識(shí)別模型