基于人工神经网络与多相流模拟技术的搅拌过程研究

作     者：武煜坤 李政权 王贻得 徐止恒 李凯旋 石昊宇 

作者机构：江西理工大学江西省颗粒系统仿真与模拟重点实验室 

出 版 物：《有色金属科学与工程》 (Nonferrous Metals Science and Engineering)

年 卷 期：2024年

学科分类：12[管理学] 080603[工学-有色金属冶金] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 080704[工学-流体机械及工程] 081104[工学-模式识别与智能系统] 08[工学] 0806[工学-冶金工程] 0807[工学-动力工程及工程热物理] 0835[工学-软件工程] 0811[工学-控制科学与工程] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

基　　金：国家自然科学基金资助项目(52130001) 江西理工大学高层次人才科研启动项目(205200100606) 

主　　题：搅拌釜 人工神经网络 计算流体力学 遗传算法 湍流状态 

摘      要：针对搅拌釜系统本身的强非线性特点，传统研究方法往往难以快速准确地反演现场实际情况。为解决这一问题，本研究采用了人工神经网络(Artificial Neural Network，ANN)与计算流体力学(Computational Fluid Dynamics，CFD)相结合的方法，构建了ANN-CFD湍流状态预测模型。采用了3种训练算法（Levenberg-Marquardt、Bayesian Regulation和Scaled Conjugate）和优化算法（遗传算法、粒子群算法、模拟退火算法）对模型超参数进行研究。采用双层遗传算法(GA-GA)分别对神经网络的隐藏层节点数和初始权值阈值进行了优化研究，同时提出了神经网络架构较优方案；用ANN-CFD模型预测搅拌釜内流场状态并评估模型精度。结果显示：BR算法在神经元数大于9个时达到较高的预测准确性，且准确度变化总体趋于稳定；遗传算法的全局收敛性及预测精度在本模型中表现出了出色的性能；在双隐藏层条件下隐藏层神经元数组合为11-10时达到综合较优效果；基于GA-GA优化的ANN-CFD模型其回归指标均超过了0.9，展现出出色的预测精度。与传统的BP神经网络相比，在验证集和测试集上的拟合效果提高一倍以上。