基于深度学习的煤裂解分离器全三维流场预测与结构优化OA

为突破传统基于等差参数试算方法因参数空间离散化导致的优化效率低下、设计周期长,且难以定位全局最优参数组合的局限,提出一种融合深度学习与数值模拟的煤裂解分离器智能预测与结构优化方法。首先,基于欧拉-欧拉方法建立三维气固两相流模型,分析关键结构参数对流场均匀性的影响机制,并基于正交实验构建多模态数据集。然后,提出一种Transformer-Unet双分支深度学习模型:Transformer分支实现结构参数到性能指标的快速映射,U-Net分支在参数引导下重建速度场与压力场分布。结果表明,该模型在不同工况与边界条件下均表现出高预测精度与良好泛化能力,全流场预测均方误差低于5%,预测结果在结构、涡旋特征及压力梯度分布方面与CFD仿真结果高度一致。进一步基于该模型开展参数空间寻优,获得综合性能提升5.1%的最优结构方案。CFD验证表明优化后结构性能显著提升,流场均匀性增强且压降降低。本研究为煤裂解分离器的快速设计与智能优化提供了高效、可靠的新途径。