基于机器学习的离心泵瞬态性能与叶轮水力特性的预测

《Irrigation and Drainage》：Machine Learning Prediction of Transient Performance and Impeller Hydraulics in Centrifugal Pumps

　　```

摘要

en
此链接指向英文部分 fr
此链接指向法文部分

为了探索监测离心泵运行状态的新方法，本研究采用了四种机器学习算法——支持向量回归（SVR）、随机森林回归（RFR）、反向传播神经网络（BPNN）和卷积神经网络（CNN）——来预测离心泵在节流控制下的瞬态性能（扬程、效率和轴功率）以及流体动力载荷（径向力和轴向力）。从叶轮叶片附近的分离监测点收集的时间域压力信号被用作性能相关信息的主要载体。结果表明，无论是RFR模型还是本研究中开发的CNN，在预测泵的性能和流体动力载荷时，其平均相对误差均低于5%。其中，CNN在扬程、效率、轴功率和径向力的预测相关性系数均超过了0.9，表明预测值与测量值之间有很强的吻合度。这些发现表明，机器学习技术，尤其是CNN，在所研究的泵配置和节流范围内，能够准确预测泵的瞬时性能和叶轮的流体动力学特性，从而凸显了其在离心泵状态监测和软传感应用中的潜力。

摘要

en
此链接指向英文部分 fr
此链接指向法文部分

为了探索监测离心泵运行状态的新方法，本研究使用了四种机器学习算法——支持向量回归（SVR）、随机森林回归（RFR）、反向传播神经网络（BPNN）和卷积神经网络（CNN）——来预测在节流控制下的离心泵的瞬态性能（扬程、效率和轴功率）以及流体动力载荷（径向力和轴向力）。从叶轮叶片附近的分离监测点收集的时间域压力信号被用作性能相关信息的主要来源。研究结果表明，RFR模型和CNN模型的平均相对误差均低于5%。其中，CNN在扬程、效率、轴功率和径向力的预测相关性系数均高于0.9，表明预测值与测量值之间有很高的吻合度。这些结果表明，机器学习技术，特别是卷积神经网络（CNN），能够在所研究的泵配置和节流范围内准确预测泵的瞬时性能和叶轮的流体动力学特性，从而为其在离心泵状态监测和软传感应用中的应用提供了潜力。

利益冲突

作者声明不存在利益冲突。

数据可用性声明

研究数据不予共享。

```