基于浅层神经网络提高扰动管道流的流量预测精度

可靠的体积流量测量在诸多应用中至关重要，例如发电厂控制系统或区域供热系统。在扰动流条件下（如弯管下游）进行流量计量是一项挑战，可能导致高达20%的误差。本文开发了一种基于浅层神经网络（SNN）的算法，可显著降低强扰动流型下的测量误差。为涵盖广泛的扰动类型，训练数据集选用了三种基本弯管构型。在83%的测试数据中，SNN产生的误差均小于现有技术方法。平均误差从2.25%降至0.42%。对于SNN，在下游距离大于10倍管径时，可实现小于1%的误差。SNN对训练数据集的各种缩减以及含噪声的输入数据均表现出良好的鲁棒性。此外，研究还采用了一种与训练数据几何形状显著不同的真实管道系统仿真数据进行测试。在这种强外推条件下，SNN的平均误差始终小于现有技术方法，且在最后一个扰动下游超过10倍管径处可实现小于1%的误差。