Нейросетевое моделирование гидродинамических процессов в центробежном насосе и нефтепроводе

А. В. Кретинин, Ю. А. Булыгин, М. И. Кирпичев

Аннотация


Использование искусственных нейронных сетей (ИНС) для исследования гидродинамических процессов представляется двумя принципиально разными подходами. Первый заключается в использовании численного метода взвешенных невязок (НМВН) на основе нейросетевых пробных функций для непосредственного решения дифференциальных уравнений гидродинамики. Суть метода состоит в модификации выражения для функционала качества работы нейросети таким образом, что ошибка работы сети оценивается как суммарная невязка решаемых уравнений в произвольных точках расчетной области, количество и координаты которых меняются на каждой итерации. В предыдущих работах приводится описание НМВН и пример его реализации для решения уравнений Навье-Стокса, описывающих 2D ламинарные изотермические течения вязкой несжимаемой жидкости. В статье представлены результаты нейросетевого решения уравнений движения жидкости для расчетной области, состоящей из двух подобластей, одна из которых вращается, а другая неподвижна. Результаты моделирования использованы для профилирования пространственной лопасти центробежного насоса. Второй подход заключается в применении нейросетевых структур для аппроксимации результатов вычислительного эксперимента, полученных с использованием традиционных методов вычислительной гидродинамики, и получения многофакторных аппроксимационных моделей гидродинамических процессов. Данный подход иллюстрируется нейросетевым моделированием гидродинамических процессов в трубопроводе при наличии утечки среды через отверстие в стенке.

Ключевые слова


centrifugal pump;hydrodynamics;neural network modeling;pipeline;гидродинамический;нейросетевое моделирование;трубопровод;центробежный насос

Полный текст:

PDF

Литература


1. Галушкин А.И. Нейроматематика М.: IPRJR. 2002. 547 с.

2. Richardson C.J.,Barlow D.J. Neural network computer simulation of medical aerosols //J. Pharm. and Pharmacol, 1996. Vol. 48. no.6. P. 581-591.  

3. Shang Z. Application of artificial intelligence CFD based on neural network in vapor–water two-phase flow//Engineering Applications of Artificial Intelligence. 2005. Vol. 18, no.6. P. 663-671

4. Neural Networks Tools for Improving Tacite Hydrodynamic Simulation of Multiphase Flow Behavior in Pipelines /Rey-Fabret I. et al // Oil & Gas Science and Technology. 2002.Vol. 56. no. 5. P. 471-478.

5. Dibike Y.B. Developing generic hydrodynamic models using artificial neural networks// J. of Hydraulic Research. 2002. Vol. 40, no. 2. Р. 183-190.

6. Кретинин А.В. Метод взвешенных невязок на базе нейросетевых пробных функций для моделирования задач гидродинамики // Сиб. журн. вычисл. математики. РАН. Сиб. отд-ние. 2006. Т. 9. № 1. С. 23-35.

7. Kretinin A.V., Bulygin Yu.A. Method of Weighted Residuals on the Base of Neuronet’s Approximations for Computer Simulation of Hydrodynamics Problems // Proceedings of IEEE 6th International Conference on Computational Cybernetics ICCC 2008. Stara Lesná, Slovakia. 2008. Р. 237-240

8. Neuronet's method of weighted residuals for computer simulation of hydrodynamics problems /Kretinin A.V. et al //Proceedings of 2010 International Joint Conference on Neural Networks, presented at WCCI 2010, Barcelona. P. 511-519

9. Стогней В.Г., Кретинин А.В. Моделирование течений в канале с проницаемой стенкой на базе искусственных нейронных сетей // Изв. вузов. Авиационная техника. 2005. № 1. С. 34-38.

10. Valyuhov S., Kretinin A., Burakov A. Neural Network Modeling of Hydrodynamics Processes, Hydrodynamics //Optimizing Methods and Tools, Harry Edmar Schulz, André Luiz Andrade Simões and Raquel Jahara Lobosco (Ed.) 2011. P. 201-222

11. Bishop C.M. Neural networks for pattern recognition//Oxford University Press, 1995. 378 p.

12. Mira J., Cabestany J., Prieto A. New trends in neural computation//Springer-Verlag, 2003. 187 p.

13. Alippi C., Piuri V. Neural Modeling of Dynamic Systems with Nonmeasurable State Variables //IEEE-Trans. on Instrumentation and Measurement. December 1999 Vol. 48, No. 6, Piscataway (USA NJ). Р. 1073-1080

14. Advances in neural networks research: An introduction/ Kozma R. et al //Neural Networks, vol.22, no.(5-6), 2009. pp.489-490

15. Cloete L., Zurada J.M., Knowledge-Based Neurocomputing//MIT Press, 2000. Р.354 p.

16. Задачи проектирования и многокритериального управления регулируемых технических систем / Егоров И.Н.и др.// Доклады АН РФ. 1998 Т. 359, № 3. С. 312-317

17. Зверев Ф.С., Лурье М.В. Обобщенный метод зональной локации утечек жидкости из трубопроводов // Нефтяное хозяйство. 2009. № 8. С. 85-87  

18. Флетчер К. Вычислительные методы в динамике жидкостей. В 2-х т. М.: Мир, 1991. Т. 2. 524 с.

19. Статников Р.Б., Матусов И.Б. Многокритериальное проектирование машин. М.: Знание, 1989. 257 с.


Ссылки

  • На текущий момент ссылки отсутствуют.