[发明专利]基于广义回归神经网络推测超声波流量传感器系数的方法

说明书

技术领域

本发明涉及流体力学和热工测量技术领域，具体涉及在大口径单弯管管道内非理想流场湍流中，一种基于广义回归神经网络推测超声波流量传感器系数的方法。

背景技术

电厂循环水系统中，循环水管道直径为很大。在现场测量过程中，超声波流量计安装在凝汽器进水管道上，而超声波流量计测量位置上游含有单一90°弯头，并且弯头下游很难具有保证测量位置处管内流体处于理想流场状态的直管段长度。因此，在大口径单弯管下游，非理想流场中循环水流量的测量精度，一直是电厂流量测量工作中的一个难点，目前主要存在以下3个方面的问题：1)循环水管道直径巨大，管路中含有弯头、阀门等局部阻力件，且阻力件下游直管段长度不足以保证被测截面处流体流动处于充分发展的流速分布状态，从而给循环水流量测量带来了巨大的麻烦；2)由于实验条件的限制，对大口径管道内流体的流速分布规律研究得不多，可为测量提供的依据不充分；3)常规流量计的测量口径均达不到循环水管道的要求。

超声波流量计与传统流量计相比，具有不影响流场、无可动部件、无压力损失、测量范围宽、以及在管内湍流充分发展条件下测量精度高等优点，其中最为重要的是可用于大口径管道流量的测量，并能够保持较高的精度。目前，超声波流量传感器已广泛应用到国内外大型电站流量测量中。

超声波流量传感器测量的是超声波传播途径上的线平均流速，经计算后，得到截面平均流速，然后得到流量，从线平均流速变换为截面平均流速的过程，称为流量传感器系数修正。现有文献记载的流量传感器系数K大多是在认为管道内湍流流动充分发展的理想情况下通过流体力学公式推导求得或者实验标定。然而在实际的工程应用中，由于种种客观条件的限制，导致无法达到流场充分发展所需的直管段长度，管道内流态分布复杂，流量传感器系数K发生较大的变化。因此单声道超声波流量计在单弯管下游非理想流场中存在测量精度偏低的问题。

发明内容

发明目的：本发明提供一种基于广义回归神经网络推测超声波流量传感器系数的方法，对流量传感器测量结果进行修正，解决单声道超声波流量计在单弯管下游非理想流场中存在测量精度偏低的问题。

技术方案：本发明提供的一种基于广义回归神经网络推测超声波流量传感器系数的方法，该方法包括以下步骤：

(1)利用CFD仿真模拟分析影响单弯管下游流场流速分布稳定性的因素，确定超声波传感器系数的影响参数值，包括流体的雷诺数、上游相对直管段长度和壁面粗糙度；

(2)将所述步骤(1)中确定的超声波传感器系数的影响参数值作为网络模型的输入层，将不同流体雷诺数下的流量传感器系数K作为网络模型的输出层，以构建广义回归神经网络GRNN；

(3)选取50组以上的影响参数值数据作为输入样本数据，并采用CFD仿真模拟计算相应的影响参数值下的K值，即为实际输出K值；

(4)将步骤(3)中的样本数据输入到步骤(2)构建的GRNN网络模型中对构建GRNN网络模型进行训练，直至输出的流量传感系数K与实际输出K值之间的相对误差最小，保存此时的GRNN网络模型；

(5)将需要进行流量传感器系数计算的影响参数值输入到所述步骤(4)保存的GRNN网络模型中，获得经由模型推导出的流量传感器系数K；

(6)对单弯管下游流场流速分布进行CFD仿真并计算传感器系数K值，将计算得出的K值与所述步骤(5)得出的K值进行比对，以检验GRNN网络模型推测K值的可靠性。

其中，所述步骤(3)中，每组样本数据包括8-9个影响参数值数据样本；

所述步骤(4)中训练网络前的输入、输出训练数据进行归一化处理，将数据归一化到[0,1]区间内；

对所述步骤(5)中推导出的流量传感器系数K值进行反归一化处理。

有益效果：本发明采用的广义回归神经网络不仅结构简单，训练速度快，而且具有很好的预测效果，在不稳定流场条件下，超声波流量传感器能够得到较好的测量精度，从而有效地解决了超声波流量传感器在单弯管下游非稳定流场中测量精度低的问题。在其他阻流条件下，影响流速分布稳定性的因子与单弯管情况下基本相同，本发明可以为其他阻流条件下超声波传感器系数的求解提供一定的指导作用。本发明将可以在电厂循环水管道内流体流量、天然气管道内气体流量、大型水电站压力水管流量、工厂污水的排放量、自来水厂自来水流量、石油钻井的原油量的检测上广泛应用，发挥重要作用。本发明模拟流量传感系数值比CFD模拟范围更加广泛，可以用于非稳态的流场，运算速度快，计算量小等优点。

附图说明