文摘
介绍了液体晃动模型使用人工神经网络方法(ANN)。确定水箱中的液体晃动模型是一个具有挑战性的任务由于其非线性和复杂性的行为环境和操作条件。由于实验室的问题建模,利用数值模拟来分析这种现象是合理的。在本文中,首先,在坦克模拟流体晃动光滑粒子流体动力学(SPH)方法。训练人工神经网络的输入-输出数据是基于获得的结果。最后,由于液体晃动的最大力量获得通过改变不同的参数。
1。介绍
晃动是指流体自由表面振动的部分填充槽。自由表面的存在需要在液体中晃动,呈现一种动态固耦合的挑战[1]。许多研究液体晃动的坦克进行了使用模型试验对各种励磁、馅料、舱形状和内部配置([2- - - - - -4),以及液体晃动影响船舶运动(5]。大多数现有的实验室实验,另一方面,是多尺度模型,而不是真正的船只。一系列的数值实现方法解决液体晃动问题的基于约束的理论和实验室研究。然而,大多数研究集中在基于网格技术,这可能需要特殊的算法在跟踪自由表面的运动。数值方法求解工程问题涉及几个步骤。第一步是选择适当的控制方程可以模型一定程度的准确性的问题。下一步是这些管理偏微分方程离散。最常见的离散化技术有限差分、有限体积和有限元方法。所有这些方法离散化连续元素由拓扑细网连接。然而,当爆炸建模等问题,影响,或固耦合大变形,这些方法需要适应的再啮合过程(刘,2010)。 Because fluid sloshing in tanks is associated with large deformations, numerical methods such as finite element and other techniques have many problems such as numerical distribution due to the expression transfer, continuity, and inflexibility of fluid free surface the use of these methods. In the last decade, mesh-free methods have been used for simulation and various applications.
nonlattice方法之一是光滑粒子流体动力学方法。晃动流研究使用SPH过程([6- - - - - -9]。本研究旨在改善SPH方法的正确模拟晃动流和计算能力影响压力通过使用一个更精确的时域处理集成和简化的边界状态。乔et al。10)开发了一种新的耦合模型基于小波变换的预测短期PM10浓度(10]。彭出版社(11)检查计量性能是如何影响整流器当提取页岩气的存在。林德et al。12)使用一个弱可压缩的假设是SPH模拟原理应用于自由表面的不可压缩流。密度与压力场使用状态方程,一个典型的弱可压缩SPH (WCSPH)方法。Gomez-Gesteira和Dalrymple13)用3 d WCSPH模型模拟的效果支流蓄流在一个高大的结构。乔et al。14]研究了实时和准确的水下目标分类器可以创建通过结合当地小波声模式(LWAPs)和多层感知器(MLP)神经网络。他们首先改善鲸鱼优化算法(WOA),然后优化分类器的参数14]。广泛的研究对液体晃动建模。(15液体晃动建模在航母坦克已经表现在两个方面:力学模型(摆)和模拟基于SPH方法。在这个研究中,流体油轮推翻已经调查的问题。模拟流动行为的坦克已经完成了两个方法,CFD和SPH16]。两种方法的结果进行比较(17),和SPH方法用于模型流体晃动现象。算法中使用这种方法求解泊松方程和动量压力包括各种subalgorithms如核心梯度校正,粒子位移算法,晃动粘度计算器,和自由表面探测器。同时,挡板在水箱的大小减少晃动进行了研究和评价。在所有先前的研究可以看到,恒定体积模拟被认为是。在空间应用程序中,储层中流体体积的变化将导致流动行为的变化。另一方面,不同的模式坦克和流体的运动位移相对于坦克对力的大小及其影响了调查的最大压力是本研究的另一个重要的点。
此外,即使是SPH建模技术是常用的在科学界,很少有工程实现出版由于其相对较高的计算成本。确定一个完全准确的模型行为的物理现象是一个具有挑战性的任务。然而,今天,使用计算表达式,特别是人工智能,可以获得一个模型接近的行为现象。模型是一个数学的代表一个真正的系统,可以根据不同的构造方法(18]。鉴于大多数系统非线性和复杂的行为,应该基于建模的方法基于物理机制的调节系统的行为。模型从而获得有足够近似的实际过程19]。提出了很多方法来识别系统。可用方法中,人工神经网络方法可以用来确定模型的一个重要工具。的基于小波变换的组合模型预测天然气研究了基于机器学习方法在一些论文近年20.,21]。多的研究已经在使用模拟数据训练神经网络(22]。神经网络用于预测空气动力系数。神经网络的训练数据是来源于风洞试验测量和数值模拟。神经网络预测性能的比较研究也提出了基于不同的传输函数和教育数据集的大小。彭et al。23)实现了一个模型,预测天然气短期负荷日常使用长记忆,本地均值分解和小波阈值去噪算法。(24)常见的建模方法使用基于仿真数据的机器学习使用。在这个研究中,通过仿真模型创建一个假设的模型,和必要的参数和功能建模提出了使用人工神经网络模型(机器学习)25]。神经网络用于预测柴油机的参数如制动功率、输出转矩、制动燃油消耗率,制动热效率,容积效率。输入数据从实验室获得了网络训练和仿真结果。数据是基于反向传播算法训练。Noghrehabadi et al。(2020)考察了不同的热通量如何影响相变材料的熔化行为当他们包围金属泡沫。为此,利用一个二维数值模型,考虑了非平衡热组件,非达西效应,和当地的自然对流26]。刘等人。27)利用CFD模型的排污阀侵蚀问题研究侵蚀模拟分离器排污系统和改进策略。流场分析程序叫做流利是用来模拟和评估的侵蚀排污阀在各种压力下,砂颗粒尺寸和形状因子,砂颗粒密度、和污水含沙量,排污系统确定的主要侵蚀问题[27]。施密德et al。28]目前最优机设置在聚合物加工中使用一个基于仿真的机器学习模型。在这个研究中,不同的监督机器学习算法进行比较,最好的方法在实验中一个真正的机器上预计使用设备的初始设置。Behbahan et al。29日)用一个金属泡沫/相变PCM组合在这项研究中,已被证明是最有前途的技术之一个PCM都增加导热系数。研究结果表明,选择一个长宽比,促进了传导和对流传热是非常重要的(29日]。彭et al。30.]分析了计算流体动力工具的作用研究病原体的传播。利用CFD模型,研究了机载病原体(30.]。在另一项研究中,使用神经网络方法,晃动的行为包含液体的坦克在简谐运动下,晃动波曲线的坐标和使用基于SPH方法的结果,晃动的行为预测(31日]。
在先前的研究中,流体的流动行为研究基于流体波曲线的预测和神经网络的输入数据包括位置、速度和加速度的坦克和神经网络模型的结果的晃动波曲线。但在这篇文章中,晃动的行为被认为是基于流体的物理参数的变化和坦克。本文模拟体液等参数的变化,流体的位置,坦克的位置,对不同的输入和延展性。基于获得的值,晃动模型使用神经网络方法决定。神经网络预测储层中的流体波曲线和其他晃动的行为基于波已被评估。坦克和流体条件被认为是常数在前面的纸。本研究旨在确定水箱中的液体晃动模型基于不同的输入。流体体积的变化,坦克速度,和坦克运动振幅在流体流动行为会导致不同的结果。为此,首先,光滑粒子流体动力学方法用于模拟舱中的液体。各种状态被认为是基于他们的输入变量,由于液体晃动决心和力量。 An artificial neural network is used to model the fluid sloshing in the next step. This network is trained based on input and output data (SPH simulation results). Input data include changes in fluid volume, displacement rate, and tank velocity, and output data include the maximum force generated by fluid sloshing.
2。在流体控制方程模拟
2.1。数学模型
由于流体被认为是不可压缩的,非理性的,和非粘水,晃动坦克用势流理论定义的。表面张力是忽略。见图1域是一个刚性矩形容器有或没有挡板配置部分充满液体。自由表面被认为不会推翻或突破晃动的操作。矩形槽的长度和水的深度是L和h,分别。考虑矩形刚性罐的情况下,暴露于横向正弦激励( )(32]。线性化流体二维流体运动的场方程,假设一个小激励振幅和一个小液反应,如下:
在哪里纵轴方向,是水平轴方向,表示时间,加速度是矢量,代表了重力加速度的矢量和波高。结合动态和运动自由表面条件(3)和(4)收益率的一个状态:
总势能函数是流体扰动函数的总和 ,拉普拉斯方程的解(1)满足边界条件(3和4)+坦克势函数 。然而,表达必须用傅里叶级数表示:
确定速度势函数的步骤是一样的坦克,用同样的结果: 在哪里激励频率和吗 是无油的固有频率的平方表面;取代方程(7)方程(3)收益率自由表面波高。
第一项在方程(8)描述一个简单的波,和一组对称正弦波表面波。流体域内的压力在每一个点(忽略了静水压力,ρ广州)
墙上的流体压力在任何时候, ,是
净壁压力分布参数, ,如图2对各种励磁频率的参数值, 。类似的情况在前面提到的相变段也可以观察到。
2.2。分析结果
无穷级数描述可能的表达式,它们必须缩短。在这里,我们关于编号进行收敛性分析 。槽的尺寸和参数 , ,和 。外部激励频率 ,运动可以表示为 。数据3,4,5显示的结果 ,这表明,他们同意。根据方程(情节压力值10),上述参数值的关系如下: , , ,和 , 。
3所示。数值分析
3.1。SPH理论
SPH方法用于本文的晃动效应进行了数值模拟。下面的简短概述的方法是和几个关键的实现问题。更详细的总结,针对读者(33]。插值原理支撑SPH系统。使用一个内核函数,函数可以表达它的值在一组无序点代表粒子的位置。内核函数是一个加权函数指定一个通用字段的输入向量, ,在一个给定的位置, 。一个内核估计是定义如下([12,33]。
平滑的长度定义了有效的内核的宽度是矢量的位置,解决方案的空间,是平滑的长度。在一个粒子的粒子近似函数可以使用离散化近似描述如下(11): 在哪里粒子的质量和吗每个粒子的密度。指数代表中央粒子,代表每个粒子在该地区影响力的中央粒子(相邻的粒子)。光滑长度在这项研究等于1/2的初始粒子之间的距离。所有粒子在核函数的紧凑支持地区必须考虑求和。 权函数或内核,和分别表示的质量和密度。这项工作中使用的内核函数之一是引入了最初的Nyugen et al。34)如 在哪里是 在和 。 两个点之间的距离,和 。
3.2。控制方程的离散化SPH配方
模拟流体运动,SPH形式主义扩展到纳维斯托克斯方程。这种方法简要解释。提供详细描述(33]。控制方程的连续性和n - s方程: 在哪里指的是粒子的速度向量,表示时间,表示流体密度,表示压力,表示向量的重力加速度指的是层流的粘度。进行实际的状态方程,时间阶段很小由于有限的真实流体的压缩性。因此,通常被认为是弱可压缩液体的测量。压力场计算解决 方程。当流体压力低于1 gpa,熵对压力场的影响可以忽略不计([12,33]。流体的密度是完全决定于它的压力。SPH方程包括质量守恒方程、能量守恒方程和能量守恒方程。当流场的压力很低,据说流体是正压,能量不会影响压力场。能量方程仍然悬而未决。SPH方法的内核和粒子近似定义密度方程和动量方程(12)如下:
在哪里每个粒子的密度吗指的是粒子的速度向量,表示压力,表示向量的重力加速度,平滑的长度定义了有效的内核的宽度是矢量的位置, 。除此之外,内核的功能,增强高斯内核被选中(小节中提到的2。2)。下标的和描述一对相互作用的粒子。在前面的模拟中,系数设置为0.03。
3.3。弱可压缩SPH
WCSPH假设与更高的声音可压缩流体速度、马赫数 ,和密度的变化小于1%。然后用状态方程的压力。最著名的状态方程用于SPH的类型(33,34]在这里,我们研究传统WCSPH方法的准确性使用泰特的状态方程: 在哪里表示流体的名义密度(1000 kg / m3),表示一组固定到7,表示数值的声音速度的测量。SPH的声音速度通常是将流体预测最大速度的10倍(12]。因为密度随马赫数的变化,它可能是大约1%的液体的名义密度。因此,数字声音速度保持足够低,允许适当时间的措施。雷诺数的计算进行 和 ,在哪里水的深度是坦克和吗 重力加速度。
4所示。结果与讨论
4.1。SPH模拟的结果
本节包含SPH模拟的结果。在这项研究中,Fortran代码用于模拟模型。执行仿真,基于SPH方法所需的参数如表所示1。这些价值包括选择核函数,箱尺寸,液体高度,和更多。
使用SPH方法的仿真结果如图6和7。图6显示右边的罐壁的压力,离开了。这种晃动行为已经完成一个正弦刺激的反应。图7显示了晃动波形在不同时间的步骤。显示了使用Tecplot软件。
4.2。SPH模拟的结果
的示意图表示液体舱如图8。可以看到,变化是供四个参数。这些参数流体体积,流体位移,坦克位移,位移振幅值。流体流动模型为每个这些参数模拟,由于液体晃动和最大的力量。
正如前面提到的,它被认为是前面每个参数的三种模式。参数变化可以做更多更小的步骤,但需要大量的时间和体积来模拟。因此,通过结合这四个参数的三种模式,81年创建模式和最大力量决定。获得的结果显示模拟液体晃动的SPH方法,下一步将流体流动行为模型的神经网络方法。结果如表所示2。
4.3。人工神经网络建模
正如前面所提到的,最重要的部分本研究使用数据相关晃动在坦克仿真建模。因此,人工神经网络已被用来实现一个合适的模型,晃动的行为。人工神经网络是另一种方式来解决和预测等复杂问题,用于各种程序控制、生产、和优化。(35]。是一种多层前馈神经网络的误差传播算法。多层前馈神经网络(MLFF)包括两个或两个以上层的神经元。每一层的输出只是喂下一层,因此前馈网络的名称。
MLFF神经网络是一个健壮的网络在许多应用程序中使用。它很容易实现,可以给好的结果。对于近似问题,一般函数作为模型具有良好的精度。培训过程中很容易比RBF网络(36]。MLFF神经网络比其他方法更受欢迎由于其广泛的应用在大多数问题。在神经网络与其他方法相比,其结构简单的另一个原因是它的使用(Fung, 2005)。的能力调整网络控制参数在线培训是该方法的另一个优势。在使用神经网络的一个重要问题是确定神经元的数量,这是神经网络的一个主要挑战。许多科学家最近工作来确定最优数量的神经元需要建立一个神经网络(Yotov, 2020)。如果神经元的数量太多,它将over-fit,导致一个复杂的神经网络训练过程和其他问题。它可以显著降低普遍性,从而导致显著偏离预期。
另一方面,一个足够数量的神经元减少预测精度。从这个角度来看,确定合适的隐层神经元的数量,以防止过度学习中扮演着重要的角色在近似函数。有几种方法,但最常见的是确定适当的和足够数量的隐层神经元,交叉验证,首次停止(37]。可用的数据分为两个独立集在这些方法:一组教育和验证或测试集。只有训练集参与神经网络学习,测试集是用来计算测试误差。
4.4。数据收集、规范化和决心的神经元
模拟的SPH方法获得的数据与Fortran语言进行软件,收集数据,然后在MATLAB软件。每个模式的数据收集过程的模拟,例如,一个柜的体积液体的高度0.18可以被认为是10秒。的最大力量是决定基于生成的波。对所有类似的情况下,这个过程一直重复,最后,从仿真获得一组数据用于训练神经网络。的一个方法来减少仿真结果之间的差异基于SPH方法和神经网络方法是收集仿真数据,可以加强和改进通过检查不同模式的改变现有的参数。
根据测量的状态参数晃动行为规范化,标准化是用来规范范围的数据。数据规范化是数据库设计技术。这个方法是统一的相关值的范围不同的研究变量和也被称为数据扩展。如果研究变量的计量单位是多样化的,可以扩展数据使用标准化的方法(31日]。使用这种技术使用下列公式:
在哪里和的最大和最小值吗 ,分别为,是归一化值。
关于确定神经网络结果的过程基于输出层,因为唯一的输出模拟流体晃动产生的最大力量,最后一层神经元数量。关于隐层神经元的数量,适当的数量可以根据不同的方法。如果神经元的数量太多,它将over-fit,导致一个复杂的神经网络训练过程和其他问题。它可以显著降低普遍性,从而导致显著偏离预期。另一方面,一个足够数量的神经元减少预测精度。
4.5。神经网络结构、培训和测试数据
在这项研究中使用的神经网络结构是基于神经网络如图9。网络是一个多层感知器使用。培训在这个网络的数据是基于反向传播算法。这个算法是一个学习的方法不止一个人工神经网络中隐层网络权重的计算梯度。Wc1是体重输入层和隐层之间的连接,和Wc2体重隐藏和输出层之间的结合。这里使用的激活函数是乙状结肠函数的类型。
它的导数如下:
网络培训,从SPH模型获得的数据是随机分为三组:80%的网络培训,10%确认网络推广,安装前和停止训练,剩下的10%被用作网络测试,完全独立于网络泛化。安训练过程中获得最优值可调参数达到最适合的重量和偏见之间的输入输出数据。这实质上是一个非线性优化问题,成本函数包括最小化均方误差(MSE)。均方根误差(rmse)如图10。
4.6。神经网络仿真结果
在这个网络隐层神经元的数量被认为是10。回归图被广泛用于预测和识别独立和相关的变量之间的关系。这里,R表示为回归的象征。几个隐层神经元被分配基于网络收敛和几个重复的结果。基于回归图,数据的准确性的训练是可以接受的(图11)。图12显示了实际结果和网络之间的比较结果。这个建模的应用在控制系统评估和调查燃料航母坦克液体晃动的影响,如航天器、船舶或车辆。在人工神经网络建模中,仿真数据是基于模式。
用于神经网络的数据,实际的数据,部分所示4.3根据表2。神经网络由4输入和一个输出。神经网络预测的结果在图所示12。神经网络训练的临界点是在这个过程中使用普遍的数据。然而,由于数值模拟的条件,需要很长时间才能实现,在数据收集有这个限制。因此,这个培训已经完成了从基于SPH模拟获得最小数据方法。
鉴于神经网络预测结果的准确性是可以接受的,它可能会遇到问题,如在当地极限下降,过度学习,或者under-training。而多层网络有足够的神经元可以执行几乎所有的功能,如反向传播算法训练算法可能找不到最优权重。因此,找到一个合适的选择,一个神经网络可以放在教育过程形成的重复这个问题最好的方法。神经网络用于预测负荷由液体晃动基于输入和输出数据进行神经网络训练更容易比其他数值方法,使其优越。
实际结果与神经网络的结果如图所示13。可以看到,神经网络预测接近实际值和网络可接受的精度。输出值和实际数据是基于归一化状态。
图14测试数据显示了神经网络的结果。如前所述,仿真数据的10%用于评估神经网络的性能预测的实际数据。
5。结论
的行为在矩形槽液体晃动的现象了。使用SPH方法模拟流体流动。不同的模式被认为是基于流体体积,数量的运动范围,和流体位移。基于现有的参数的变化,获得了坦克墙上的最大力量。在下一步中,流体流动行为的模型是使用人工神经网络决定的。液体晃动的坦克是一种非线性现象,所以其中一个工具,可以帮助预测其行为是使用人工神经网络。主要和重要的原因我们使用这种方法是实现一个预测块因为我们想夫妻在下一步动态情况。广泛的研究领域的液体晃动的坦克通常使用相当于弹簧质点力学模型或摆。这些数据在神经网络训练中起着重要的作用。获得的数据能够确定适当的结果,以换取各种参数的变化。 Limitations in simulating fluid sloshing in the tank and coupling all data to the dynamic system have led to the use of the neural network as a predictive block to apply force and load to the system. Simulation data were used to train the neural network. In this process, the network input consisted of 4 parameters and the output of one parameter. The purpose of fluid sloshing modeling using neural networks is to achieve an alternative model instead of mechanical equivalent models such as the mass-spring or pendulum models. This model can be used in control systems and induce the effects of fluid sloshing in liquid carrier tanks to the dynamic system.
数据可用性
数据是可用的,可以直接在电子邮件查询提供通讯作者((电子邮件保护))。
的利益冲突
作者宣称没有利益冲突。