基于IRSA-ENN模型的管道持液率预测方法OA

持液率的准确计算对于压降计算、水合物预测、流型识别等方面具有重要意义,但影响管道持液率的因素众多且具备非线性关系,常规理论模型难以准确描述其相互关系。针对上述问题,在收集室内实验数据的基础上,采用传统Elman神经网络(ENN)模型完成气液两相流持液率的训练和学习,并通过改进动物爬行(IRSA)算法对ENN模型中的超参数进行寻优,以此实现在不进行水力、热力计算及获取内部机理的前提下,实现持液率的准确预测。结果表明,通过Halton序列初始化种群和进化因子优化两个方面完成了常规动物爬行(RSA)算法的改进,IRSA算法在性能上全面优于布谷鸟(CS)、蚁群(ACO)、粒子群(PSO)、RSA等对比算法,时间复杂度也未增加;IRSA-ENN模型在测试集上的MSE、MAE和R 2分别为1.75×10-4、0.0081和0.9935,预测效果优于理论模型或机器学习模型;对于小样本而言,IRSA-ENN模型的普适性也较强。研究结果可为提高多相流管道的流动保障提供实际参考价值。