[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

摘要

本发明提出了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通过CFD仿真，对大量单弯管下游不同湍流速度分布模型下，超声波流量传感器修正系数的求解结果进行统计分析，确定出传感器系数的影响参数，将这些参数作为输入层构造广义回归神经网络模型，并由此推导出传感器参数的预测值。采用本发明进行传感器参数求解，通过选择合适的光滑因子，超声波流量传感器能够达到很好的测量精度，从而大大提高了单声道超声波流量计在单弯管下游非理想流场中的测量性。

主权项

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，其特征在于，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。