基于数据的机器学习预测：通过孔口的兩相流中的压降

《ARABIAN JOURNAL FOR SCIENCE AND ENGINEERING》：Data-Driven Machine Learning Prediction of Pressure Drop in Two-Phase Flow Through Orifices

两相流压力降预测研究采用机器学习模型与传统方法对比，通过包含近700组工况的数据集验证。实验发现支持向量机（RMSE 23.349）优于传统相关式，且Lockhart-Martinelli参数单独即可预测压力乘子。线性模型（RMSE 48.83）也优于传统方法。数据预处理包含Z标准化与训练-验证集划分。

　　

摘要

准确预测管道配件（如孔口）处的两相压降对于维护管道的完整性以及优化运行效率至关重要。传统的关联式公式常用于压降预测，但其准确性仅限于所研究的数据集。本研究采用数据驱动的机器学习框架，重点预测水平或垂直方向下绝热空气-水两相流通过孔口时的压降。该数据集包含了来自不同研究的近700种流动条件，涵盖了孔口处两相流动的广泛情况。提取的数据被转换为用于两相流压降关联式分析中的无量纲数值。数据预处理包括z标准化处理，随后将数据集分为0.75和0.25两部分，分别用于训练和验证。系统地应用了多种机器学习方法，包括深度学习、决策树、随机森林、梯度提升树和支持向量机。此外，还基于Lockhart–Martinelli参数开发了一个简化的线性模型。结果表明，机器学习模型在预测两相压降方面始终优于传统方法。在所有模型中，支持向量机的预测精度最高，均方根误差（RMSE）为23.349。特征重要性分析进一步表明，在机器学习框架中，仅使用Lockhart–Martinelli参数就足以预测压降倍数。所提出的简化线性模型也比传统关联式公式具有更好的预测能力，其RMSE为48.83。