CN114580611B - 一种基于pinn的制冷剂多相流充注流量获取方法 - Google Patents
一种基于pinn的制冷剂多相流充注流量获取方法 Download PDFInfo
- Publication number
- CN114580611B CN114580611B CN202210162217.7A CN202210162217A CN114580611B CN 114580611 B CN114580611 B CN 114580611B CN 202210162217 A CN202210162217 A CN 202210162217A CN 114580611 B CN114580611 B CN 114580611B
- Authority
- CN
- China
- Prior art keywords
- neural network
- refrigerant
- pinn
- loss function
- theta
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 239000003507 refrigerant Substances 0.000 title claims abstract description 76
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000013528 artificial neural network Methods 0.000 claims abstract description 85
- 239000007788 liquid Substances 0.000 claims abstract description 29
- 238000005057 refrigeration Methods 0.000 claims abstract description 18
- 239000000203 mixture Substances 0.000 claims abstract description 10
- 238000006243 chemical reaction Methods 0.000 claims abstract description 8
- 238000012549 training Methods 0.000 claims description 34
- 238000010276 construction Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000005429 filling process Methods 0.000 claims description 3
- 238000011478 gradient descent method Methods 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 238000013459 approach Methods 0.000 claims description 2
- 238000001514 detection method Methods 0.000 abstract description 4
- 230000005514 two-phase flow Effects 0.000 description 5
- 238000005259 measurement Methods 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000005272 metallurgy Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 239000003208 petroleum Substances 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/042—Knowledge-based neural networks; Logical representations of neural networks
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F25—REFRIGERATION OR COOLING; COMBINED HEATING AND REFRIGERATION SYSTEMS; HEAT PUMP SYSTEMS; MANUFACTURE OR STORAGE OF ICE; LIQUEFACTION SOLIDIFICATION OF GASES
- F25B—REFRIGERATION MACHINES, PLANTS OR SYSTEMS; COMBINED HEATING AND REFRIGERATION SYSTEMS; HEAT PUMP SYSTEMS
- F25B45/00—Arrangements for charging or discharging refrigerant
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F25—REFRIGERATION OR COOLING; COMBINED HEATING AND REFRIGERATION SYSTEMS; HEAT PUMP SYSTEMS; MANUFACTURE OR STORAGE OF ICE; LIQUEFACTION SOLIDIFICATION OF GASES
- F25B—REFRIGERATION MACHINES, PLANTS OR SYSTEMS; COMBINED HEATING AND REFRIGERATION SYSTEMS; HEAT PUMP SYSTEMS
- F25B49/00—Arrangement or mounting of control or safety devices
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
- G06F17/13—Differential equations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
- G06N5/041—Abduction
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Mathematical Optimization (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Pure & Applied Mathematics (AREA)
- Biophysics (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Thermal Sciences (AREA)
- Mechanical Engineering (AREA)
- Operations Research (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Feedback Control In General (AREA)
Abstract
本发明公开一种基于PINN的制冷剂多相流充注流量获取方法，属于冷剂充注流量检测领域。基于制冷剂的气液态转换实现能量转换，在需要注入制冷剂的制冷设备的充注主管道上设置流量传感器和压力传感器，采集制冷剂加注时的速度u和绝对压力p，之后将采集到的速度u和绝对压力p输入训练好的PINN神经网络，利用PINN神经网络推断出制冷剂混合物的质量流量G，之后根据制冷剂混合物的质量流量G即可精准控制注入制冷设别的制冷剂添加量。其步骤简单，获取速度简单快捷精度高，具有广泛的实用性。
Description
技术领域
本发明涉及一种基于PINN的制冷剂多相流充注流量获取方法，属于冷剂充注流量检测领域。
背景技术
气液两相流普遍存在于石油、化工、电力、冶金等领域，与其相关的各种参数的测量也是不可或缺的。比如，在锅炉、热交换器、冷凝器、油气运输管路等设备的状态监控、安装管理等的过程中，皆需要对其中涉及到的气液两相流参数(如流量、流型、相含率等)进行可靠的测量。然而，由于气液两相流固有的复杂性，两相流参数的检测难度非常大，尤其是流量的在线不分离的测量。
其中制冷剂是一种在制冷系统中不断循环的工作物质，通过各种热机改变自身的状态(气液态转换)来实现能量转换，因此将制冷剂看作一种可压缩气液两相流体。制冷设备都有其制冷剂充注量的标准，过多或过少的充注都会影响设备的制冷效果，因此实现制冷剂气液混合物的精确充注以及制冷过程中临界流量参数的准确测量对提高制冷效率、降低排放和成本起着至关重要的作用。尤其是医药领域中的贮藏及运输中转仓储对超低温制冷系统的苛刻要求，因此急需一种故实现制冷剂的准确充注的方法。由于制冷剂在填充和流动过程中的挥发性，其充注过程流量检测非常困难。
发明内容
针对现有技术的不足之处，提供一种基于PINN的制冷剂多相流充注流量获取方法，其步骤简单，使用方便，能够通过制冷剂充注的速度和绝对压力快速获得质量流量。
为实现上述技术目的，本发明的一种基于PINN的制冷剂多相流充注流量获取方法，基于制冷剂的气液态转换实现能量转换，在需要注入制冷剂的制冷设备的充注主管道上设置流量传感器和压力传感器，采集制冷剂加注时的速度u和绝对压力p，之后将采集到的速度u和绝对压力p输入训练好的PINN神经网络，利用PINN神经网络推断出制冷剂混合物的质量流量G，之后根据制冷剂混合物的质量流量G即可精准控制注入制冷设别的制冷剂添加量。
具体步骤如下：
S1、利用关于绝对压力p、横截面气液混合质量G和制冷剂速度u构建物理模型，物理模型的偏微分方程为：
式中，A为制冷剂充注主管道横截面积为，G是横截面积处气液混合质量，x表示制冷剂沿管道流动的空间距离坐标；
S2、构建PINN神经网络，通过神经网络拟合需要求解的偏微分方程的解析解，在训练此神经网络时使用偏微分方程的残差项，即所有的偏导项和非线性项，对神经网络的训练进行限制；从而使得神经网络在训练过程中逐渐具备了偏微分方程所描述的物理系统的先验知识；PINN神经网络由多层前馈神经网络和总损失函数构成，利用损失函数计算神经网络每次迭代的前向计算结果与真实值的差距，从而指导下一步的训练向正确的方向进行：
S2.1、构建多层前馈神经网络f(x,t；θ)，其中θ为前馈神经网络可训练的权重ω和偏差b的集合，神经网络输入x为空间坐标，t为时间坐标，输出u(x,t；θ)，p(x,t；θ)，G(x,t；θ)分别为时空坐标(x,t)下所对应的制冷剂速度u、绝对压力p、横截面气液混合质量G三个物理变量的估计值，其中u、p、G都是关于(x,t)的函数，都可以用(x,t)坐标以及中间的各项参数解析地表达出来；多层前馈神经网络f(x,t；θ)用以逼近以下偏微分方程映射：
式中的u(x,t；θ)，p(x,t；θ)，G(x,t；θ)为该偏微分方程解的代理形式；
S2.2、构建总损失函数，总损失函数为偏微分方程损失函数和观测值损失函数之和；收集制冷剂速度u、绝对压力p、横截面气液混合质量G三个物理变量的先验物理信息，将先验物理信息整合到多层前馈神经网络f(x,t；θ)的总损失函数中去就可以在神经网络训练过程中进行物理上的约束；
S3、通过现场试验采集数据，利用传感器测得制冷剂充注过程中关于时空坐标系(x,t)下所对应的制冷剂速度u和绝对压力p的真值，作为观测偏差来影响神经网络的训练，即使得最终训练后得到的PINN神经网络能够满足观测真实值；
S4、训练PINN神经网络：PINN神经网络的训练过程为通过使用梯度下降等方法使总损失函数尽可能地接近于0的过程；在让总损失函数接近0的过程中，PINN神经网络输出u(x,t；θ)，p(x,t；θ)，G(x,t；θ)三个物理参数，也正在不断地接近偏微分方程的解，当损失函数值低于预设的阈值θ时，PINN神经网络停止训练并认为已经完成训练，此时PINN神经网络输出的u(x,t；θ)，p(x,t；θ)，G(x,t；θ)即为最为满足先验物理信息的三个物理变量；
S5、将测量到的一个时空坐标(x0,t0)下充注制冷剂流动的绝对压力p0以及流动速度u0参数输入训练好的PINN神经网络后即可得到与对应的一个横截面气液混合质量G0参数，从而实现利用训练好的PINN神经网络以及已知的绝对压力p0以及流动速度u0，来对横截面气液混合质量G0进行预测，以达到对制冷设备的制冷剂精确充注。
进一步，S2.2中构建总损失函数具体表达如下：
定义偏微分方程残差项：
r1(x,t；θ)、r2(x,t；θ)分别表示质量守恒程的残差项和动量守恒方程的残差项，用以作为构造偏微分方程损失函数中的算子；
利用偏微分方程残差项构造对偏微分方程的损失函数
将作为先验物理数据的制冷剂速度u、绝对压力p作为约束放到损失函数中去作为函数拟合中的约束，构造数据损失函数
其中，u(x,t；θ)和p(x,t；θ)分别为时空坐标(x,t)下神经网络的输出的估计值，u(x,t)和p(x,t)分别为时空坐标(x,t)下对应的真实值，既先验物理数据；
总损失函数为：
其中，ωf和ωd分别为对应偏微分方程损失函数和观测值损失函数的权重。
进一步，PINN神经网络停止训练的损失函数值预设的阈值θ为10-8。
有益效果：
本方法通过实际采集到的制冷剂充注速度u和绝对压力p即可利用训练好的PINN神经网络推断出制冷剂混合物的质量流量G，简单会计，可靠性高，之后根据制冷剂混合物的质量流量G即可精准控制注入制冷设别的制冷剂添加量，有效提高制冷装置的制冷效果，减少制冷剂的损耗量，具有广泛的实用性。
附图说明：
图1为本发明的基于PINN的制冷剂多相流充注流量获取方法流程示意图。
具体实施方案：
下面结合附图对本发明的实施例做进一步说明：
本方法采用的一维模型的公式引入了绝对压力p、横截面气液混合质量G和制冷剂速度u之间的直接且高度结合的相关性。这种本构关系与质量和动量守恒定律相耦合，正是这些相关性，通过使用物理神经网络PINN，从测量得到的速度u和压力p来推断截面的制冷剂混合物的质量流量G。
如图1所示，本发明的一种基于PINN的制冷剂多相流充注流量获取方法，其步骤如下：
S1、利用关于绝对压力p、横截面气液混合质量G和制冷剂速度u构建物理模型，物理模型的偏微分方程为：
式中，A为制冷剂充注主管道横截面积为，G是横截面积处气液混合质量，x表示制冷剂沿管道流动的空间距离坐标；
S2、构建PINN神经网络，通过神经网络拟合需要求解的偏微分方程的解析解，在训练此神经网络时使用偏微分方程的残差项，即所有的偏导项和非线性项，对神经网络的训练进行限制；从而使得神经网络在训练过程中逐渐具备了偏微分方程所描述的物理系统的先验知识；PINN神经网络由多层前馈神经网络和总损失函数构成，利用损失函数计算神经网络每次迭代的前向计算结果与真实值的差距，从而指导下一步的训练向正确的方向进行：
S2.1、构建多层前馈神经网络f(x,t；θ)，其中θ为前馈神经网络可训练的权重ω和偏差b的集合，σ表示非线性激活函数，激活函数σ是在构建神经网络的过程中所做的非线性变换，为的是使神经网络有更好的拟合能力，也是神经网络的特征之一，后面工作流程示意图中有这个激活函数，神经网络输入x为空间坐标，t为时间坐标，输出u(x,t；θ)，p(x,t；θ)，G(x,t；θ)分别为时空坐标(x,t)下所对应的制冷剂速度u、绝对压力p、横截面气液混合质量G三个物理变量的估计值，其中u、p、G都是关于(x,t)的函数，都可以用(x,t)坐标以及中间的各项参数解析地表达出来；多层前馈神经网络f(x,t；θ)用以逼近以下偏微分方程映射：式中的u(x,t；θ)，p(x,t；θ)，G(x,t；θ)为该偏微分方程解的代理形式；
S2.2、构建总损失函数，总损失函数为偏微分方程损失函数和观测值损失函数之和；收集制冷剂速度u、绝对压力p、横截面气液混合质量G三个物理变量的先验物理信息，将先验物理信息整合到多层前馈神经网络f(x,t；θ)的总损失函数中去就可以在神经网络训练过程中进行物理上的约束；
构建总损失函数具体表达如下：
定义偏微分方程残差项：
r1(x,t；θ)、r2(x,t；θ)分别表示质量守恒程的残差项和动量守恒方程的残差项，用以作为构造偏微分方程损失函数中的算子；
利用偏微分方程残差项构造对偏微分方程的损失函数
将作为先验物理数据的制冷剂速度u、绝对压力p作为约束放到损失函数中去作为函数拟合中的约束，构造数据损失函数
其中，u(x,t；θ)和p(x,t；θ)分别为时空坐标(x,t)下神经网络的输出的估计值，u(x,t)和p(x,t)分别为时空坐标(x,t)下对应的真实值，既先验物理数据；
总损失函数为：
其中，ωf和ωd分别为对应偏微分方程损失函数和观测值损失函数的权重。
S3、通过现场试验采集数据，利用传感器测得制冷剂充注过程中关于时空坐标系(x,t)下所对应的制冷剂速度u和绝对压力p的真值，作为观测偏差来影响神经网络的训练，即使得最终训练后得到的PINN神经网络能够满足观测真实值；
S4、训练PINN神经网络：PINN神经网络的训练过程为通过使用梯度下降等方法使总损失函数尽可能地接近于0的过程；在让总损失函数接近0的过程中，PINN神经网络输出u(x,t；θ)，p(x,t；θ)，G(x,t；θ)三个物理参数，也正在不断地接近偏微分方程的解，当损失函数值低于预设的阈值θ时，阈值θ为10-8，PINN神经网络停止训练并认为已经完成训练，此时PINN神经网络输出的u(x,t；θ)，p(x,t；θ)，G(x,t；θ)即为最为满足先验物理信息的三个物理变量；
S5、将测量到的一个时空坐标(x0,t0)下充注制冷剂流动的绝对压力p0以及流动速度u0参数输入训练好的PINN神经网络后即可得到与对应的一个横截面气液混合质量G0参数，从而实现利用训练好的PINN神经网络以及已知的绝对压力p0以及流动速度u0，来对横截面气液混合质量G0进行预测，以达到对制冷设备的制冷剂精确充注。
Claims (3)
1.一种基于PINN的制冷剂多相流充注流量获取方法，其特征在于：基于制冷剂的气液态转换实现能量转换，在需要注入制冷剂的制冷设备的充注主管道上设置流量传感器和压力传感器，采集制冷剂加注时的速度u和绝对压力p，之后将采集到的速度u和绝对压力p输入训练好的PINN神经网络，利用PINN神经网络推断出制冷剂混合物的质量流量G，之后根据制冷剂混合物的质量流量G即可精准控制注入制冷设别的制冷剂添加量；
具体步骤如下：
S1、利用关于绝对压力p、横截面气液混合质量G和制冷剂速度u构建物理模型，物理模型的偏微分方程为：
式中，A为制冷剂充注主管道横截面积为，G是横截面积处气液混合质量，x表示制冷剂沿管道流动的空间距离坐标；
S2、构建PINN神经网络，通过神经网络拟合需要求解的偏微分方程的解析解，在训练此神经网络时使用偏微分方程的残差项，即所有的偏导项和非线性项，对神经网络的训练进行限制；从而使得神经网络在训练过程中逐渐具备了偏微分方程所描述的物理系统的先验知识；PINN神经网络由多层前馈神经网络和总损失函数构成，利用损失函数计算神经网络每次迭代的前向计算结果与真实值的差距，从而指导下一步的训练向正确的方向进行：
S2.1、构建多层前馈神经网络f(x,t；θ)，其中θ为前馈神经网络可训练的权重ω和偏差b的集合，神经网络输入x为空间坐标，t为时间坐标，输出u(x,t；θ)，p(x,t；θ)，G(x,t；θ)分别为时空坐标(x,t)下所对应的制冷剂速度u、绝对压力p、横截面气液混合质量G三个物理变量的估计值，其中u、p、G都是关于(x,t)的函数，都可以用(x,t)坐标以及中间的各项参数解析地表达出来；多层前馈神经网络f(x,t；θ)用以逼近以下偏微分方程映射：
式中的u(x,t；θ)，p(x,t；θ)，G(x,t；θ)为该偏微分方程解的代理形式；
S2.2、构建总损失函数，总损失函数为偏微分方程损失函数和观测值损失函数之和；收集制冷剂速度u、绝对压力p、横截面气液混合质量G三个物理变量的先验物理信息，将先验物理信息整合到多层前馈神经网络f(x,t；θ)的总损失函数中去就可以在神经网络训练过程中进行物理上的约束；
S3、通过现场试验采集数据，利用传感器测得制冷剂充注过程中关于时空坐标系(x,t)下所对应的制冷剂速度u和绝对压力p的真值，作为观测偏差来影响神经网络的训练，即使得最终训练后得到的PINN神经网络能够满足观测真实值；
S4、训练PINN神经网络：PINN神经网络的训练过程为通过使用梯度下降方法使总损失函数尽可能地接近于0的过程；在让总损失函数接近0的过程中，PINN神经网络输出u(x,t；θ)，p(x,t；θ)，G(x,t；θ)三个物理参数，也正在不断地接近偏微分方程的解，当损失函数值低于预设的阈值θ时，PINN神经网络停止训练并认为已经完成训练，此时PINN神经网络输出的u(x,t；θ)，p(x,t；θ)，G(x,t；θ)即为最为满足先验物理信息的三个物理变量；
S5、将测量到的一个时空坐标(x0,t0)下充注制冷剂流动的绝对压力p0以及流动速度u0参数输入训练好的PINN神经网络后即可得到与对应的一个横截面气液混合质量G0参数，从而实现利用训练好的PINN神经网络以及已知的绝对压力p0以及流动速度u0，来对横截面气液混合质量G0进行预测，以达到对制冷设备的制冷剂精确充注。
2.根据权利要求1所述基于PINN的制冷剂多相流充注流量获取方法，其特征在于S2.2中构建总损失函数具体表达如下：
定义偏微分方程残差项：
r1(x,t；θ)、r2(x,t；θ)分别表示质量守恒程的残差项和动量守恒方程的残差项，用以作为构造偏微分方程损失函数中的算子；
利用偏微分方程残差项构造对偏微分方程的损失函数
将作为先验物理数据的制冷剂速度u、绝对压力p作为约束放到损失函数中去作为函数拟合中的约束，构造数据损失函数
其中，u(x,t；θ)和p(x,t；θ)分别为时空坐标(x,t)下神经网络的输出的估计值，u(x,t)和p(x,t)分别为时空坐标(x,t)下对应的真实值，既先验物理数据；
总损失函数为：
其中，ωf和ωd分别为对应偏微分方程损失函数和观测值损失函数的权重。
3.根据权利要求1所述基于PINN的制冷剂多相流充注流量获取方法，其特征在于：PINN神经网络停止训练的损失函数值预设的阈值θ为10-8。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210162217.7A CN114580611B (zh) | 2022-02-22 | 2022-02-22 | 一种基于pinn的制冷剂多相流充注流量获取方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210162217.7A CN114580611B (zh) | 2022-02-22 | 2022-02-22 | 一种基于pinn的制冷剂多相流充注流量获取方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114580611A CN114580611A (zh) | 2022-06-03 |
| CN114580611B true CN114580611B (zh) | 2024-05-24 |
Family
ID=81774583
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210162217.7A Active CN114580611B (zh) | 2022-02-22 | 2022-02-22 | 一种基于pinn的制冷剂多相流充注流量获取方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114580611B (zh) |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112418431A (zh) * | 2019-08-23 | 2021-02-26 | 三星电子株式会社 | 用于混合模型的方法和系统 |
| CN113515882A (zh) * | 2021-03-29 | 2021-10-19 | 浙江大学 | 一种基于pinn的湍流模型系数修正方法 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7111469B2 (en) * | 2004-09-22 | 2006-09-26 | Horan Christopher J | Process for refrigerant charge level detection using a neural net |
| US7134291B2 (en) * | 2004-09-22 | 2006-11-14 | Horan Christopher J | Process for refrigerant charge level detection using a neural net having one output neuron |
-
2022
- 2022-02-22 CN CN202210162217.7A patent/CN114580611B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112418431A (zh) * | 2019-08-23 | 2021-02-26 | 三星电子株式会社 | 用于混合模型的方法和系统 |
| CN113515882A (zh) * | 2021-03-29 | 2021-10-19 | 浙江大学 | 一种基于pinn的湍流模型系数修正方法 |
Non-Patent Citations (2)
| Title |
|---|
| 电子膨胀阀制冷剂质量流量系数神经网络特性关联研究;马善伟;陈江平;陈芝久;;上海第二工业大学学报;20060630(02);全文 * |
| 重型燃气轮机天然气供应系统整体性能仿真;孟成;苏明;;上海交通大学学报;20160428(04);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114580611A (zh) | 2022-06-03 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109344436B (zh) | 一种大型复杂天然气管网系统在线仿真方法 | |
| Lees et al. | On the relationship of transient storage and aggregated dead zone models of longitudinal solute transport in streams | |
| Dean | Reynolds number dependence of skin friction and other bulk flow variables in two-dimensional rectangular duct flow | |
| CN110197049B (zh) | 一种基于瞬变反问题的非金属管道泄漏定位方法 | |
| Eker et al. | Physics-based prognostic modelling of filter clogging phenomena | |
| CN108266176B (zh) | 一种基于井筒模型的天然气井口流量计算方法 | |
| CN106124349A (zh) | 确定气井临界冲蚀速率、流量的方法及装置 | |
| CN106650120A (zh) | 一种液烃管道泄漏量测算方法 | |
| CN105486358A (zh) | 基于文丘里管双差压的气液两相流参数测量方法 | |
| CN101900589B (zh) | 基于质量流量计的夹气液体流量测量方法 | |
| CN114580611B (zh) | 一种基于pinn的制冷剂多相流充注流量获取方法 | |
| CN114912364A (zh) | 天然气井流量预测方法、装置、设备及计算机可读介质 | |
| CN106092351A (zh) | 核电站管道内壁温度测量方法和装置 | |
| Zanino et al. | CFD modeling of ITER cable‐in‐conduit superconductors. Part I: Friction in the central channel | |
| CN103063371B (zh) | 一种密集管束焊缝检测装置及检测方法 | |
| Liu et al. | A new model for predicting liquid holdup in two-phase flow under high gas and liquid velocities | |
| CN115982521A (zh) | 一种制冷剂气液两相可压缩流体充注质量流量解算方法 | |
| CN113343607B (zh) | 一种基于管壁液膜运动规律的携液临界气流速计算方法 | |
| Yildiz et al. | Large eddy simulation of 5-tube bundle helical coil steam generator test section | |
| DE10215064A1 (de) | Verfahren zur zeit- und aussageoptimalen Prüfung der Dichtigkeit und/oder des hydraulischen Verhaltens von flüssigkeitsfördernden Leitungssystemen | |
| Kouba et al. | A nonintrusive flowmetering method for two-phase intermittent flow in horizontal pipes | |
| Ferrari et al. | The polytropic approach in modeling compressible flows through constant cross-section pipes | |
| Wang et al. | The Management System Based on the Dynamic Online Simulation for the CBM Gathering Pipeline System of Northern Fanzhuang | |
| Wen | Modeling and Control of Real Flow Calibration System | |
| CN116259369A (zh) | 一种基于c原子数的混油质量指标模型及混油切割方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20240401 Address after: 100080 No.5 Zhongguancun South Street, Haidian District, Beijing Applicant after: BEIJING INSTITUTE OF TECHNOLOGY Country or region after: China Address before: 5 Zhongguancun South Street, Haidian District, Beijing 100089 Applicant before: BEIJING INSTITUTE OF TECHNOLOGY Country or region before: China Applicant before: JIANGSU JINGCHUANG ELECTRONICS Co.,Ltd. |
|
| TA01 | Transfer of patent application right | ||
| GR01 | Patent grant |