基于机器学习与物理约束的气液两相流量测量方法及系统

技术特征：
1.一种基于机器学习与物理约束的气液两相流量测量方法，其特征在于，包括：基于v锥节流装置进行气液两相流动实验，得到气液两相流动实验数据；根据气液两相流动基本方程建立物理约束方程；在深度神经网络模型的损失函数中引入物理约束方程，得到改进的损失函数；基于所述改进的损失函数构建改进的深度神经网络模型；利用所述气液两相流动实验数据训练所述改进的深度神经网络模型，得到气液两相流量测量模型，并利用所述气液两相流量测量模型进行气液两相流量的测量。2.根据权利要求1所述的方法，其特征在于，所述物理约束方程的表达式为：2.根据权利要求1所述的方法，其特征在于，所述物理约束方程的表达式为：其中，δp
tp
表示v锥节流装置上游取压点和喉部取压点之间的差压；ρ
g
表示气相密度；ρ
l
表示液相密度；m
g
表示气相质量流量；m
l
表示液相质量流量；a2表示节流装置喉部的截面积；β表示节流装置的节流比。3.根据权利要求2所述的方法，其特征在于，所述改进的损失函数的表达式为：loss＝θ1mse_m
g
θ2mse_m
l
θ3mse_f其中，θ1，θ2，θ3表示权值系数；mse_m
g
表示气相流量预测值与气相流量目标值之间的均方误差；mse_m
l
表示液相流量预测值与液相流量目标值之间的均方误差；mse_f表示物理约束方程的残差函数。4.根据权利要求1所述的方法，其特征在于，所述利用所述气液两相流动实验数据训练所述改进的深度神经网络模型，得到气液两相流量测量模型，具体包括：将所述气液两相流动实验数据按第一预设比例划分为训练数据集和第一测试数据集；将所述训练数据集中的第二预设比例的数据作为第二测试数据集；利用所述训练数据集对所述改进的深度神经网络模型进行训练，并在训练的过程中，利用所述第二测试数据集对训练过程中的深度神经网络模型进行测试，得到训练后的深度神经网络模型；利用所述第二测试数据集验证所述训练后的深度神经网络模型的预测性能，并基于验证结果调整所述训练后的深度神经网络模型的模型参数至最优参数，得到气液两相流量测量模型。5.根据权利要求1所述的方法，其特征在于，所述第一测试数据集中包括的工况范围大于所述训练数据集包括的工况范围。6.根据权利要求1所述的方法，其特征在于，所述得到气液两相流量测量模型之后还包括：利用均方根误差rmse和平均绝对误差mae评价所述气液两相流量测量模型的测量性能。7.一种基于权利要求1至6任一项所述的方法的系统，其特征在于，包括：实验数据获取模块，用于基于v锥节流装置进行气液两相流动实验，得到气液两相流动
实验数据；物理约束方程构建模块，用于根据气液两相流动基本方程建立物理约束方程；深度神经网络模型构建模块，用于将深度神经网络模型的损失函数中引入物理约束方程，得到改进的损失函数；基于所述改进的损失函数构建改进的深度神经网络模型；气液两相流量测量模块，用于利用所述气液两相流动实验数据训练所述改进的深度神经网络模型，得到气液两相流量测量模型，并利用所述气液两相流量测量模型进行气液两相流量的测量。8.根据权利要求7所述的系统，其特征在于，所述物理约束方程构建模块中的所述物理约束方程的表达式为：其中，δp
tp
表示v锥节流装置上游取压点和喉部取压点之间的差压；ρ
g
表示气相密度；ρ
l
表示液相密度；m
g
表示气相质量流量；m
l
表示液相质量流量。9.根据权利要求7所述的系统，其特征在于，所述深度神经网络模型构建模块中的所述改进的损失函数的表达式为：loss＝θ1mse_m
g
θ2mse_m
l
θ3mse_f其中，θ1，θ2，θ3表示权值系数；mse_m
g
表示气相流量预测值与气相流量目标值之间的均方误差；mse_m
l
表示液相流量预测值与液相流量目标值之间的均方误差；mse_f表示物理约束方程的残差函数。

技术总结
本发明涉及一种基于V锥节流装置进行气液两相流动实验，得到气液两相流动实验数据；根据气液两相流动基本方程建立物理约束方程；将深度神经网络模型的损失函数中引入物理约束方程，得到改进的损失函数；基于所述改进的损失函数构建改进的深度神经网络模型；利用所述气液两相流动实验数据训练所述改进的深度神经网络模型，得到气液两相流量测量模型，并利用所述气液两相流量测量模型进行气液两相流量的测量。通过自定义神经网络的损失函数，将物理约束项加入损失函数中，在神经网络的寻优过程中，不仅最小化预测值和目标值之间的差距，同时使物理方程的残差项最小化，提高预测气液两相流量测量的准确性。气液两相流量测量的准确性。气液两相流量测量的准确性。


技术研发人员：李珊珊 白博峰
受保护的技术使用者：西安交通大学
技术研发日：2022.08.22
技术公布日：2022/11/18