编辑推荐：
气液两相流场预测与计算效率优化研究。采用POD-LSTM模型结合计算流体力学方法，有效预测液体环真空泵未来瞬态流场，平均相对误差低于3%，计算耗时从336小时降至78秒，较传统POD-RBF和CFD方法显著提升预测精度和效率。
唐宇|张仁辉|王晓园|孟凡瑞
兰州工业大学能源与动力工程学院，中国兰州730050
摘要
为了分析液环真空泵中的复杂气液两相流，并有效预测未来的流场，本文提出了一种结合长短期记忆网络（POD-LSTM）模型的正交分解方法，用于预测液环真空泵未来的气液流场。POD分析的样本集是通过计算流体动力学方法获得的。样本集被分解为模态特征及其对应模态系数的线性组合，其中能量占比超过99%的模态被用来重构流场。LSTM方法用于预测模态系数，这些系数与模态特征结合使用，以实现未来流场的预测。分析结果表明，与CFD仿真结果相比，液环泵未来瞬态流场的平均相对误差在3%以内。叶轮内压力和相位的平均相对误差分别为1.4%和2.2%，而泵壳内压力和速度的平均相对误差分别为1.46%和2.3%。未来流场预测的计算时间从336小时缩短到了78秒。POD方法和POD-LSTM方法在预测样本时间范围内的泵入口真空度方面都具有较好的预测准确性。然而，POD-LSTM方法对未来时间的预测准确性明显优于POD方法。本研究为预测流体机械未来时刻的复杂瞬态流场提供了一种新的方法。
引言
液环真空泵是一种用于输送气体的流体机械，由于其高流量和等温压缩的优点，被广泛应用于易燃易爆气体的输送中。其内部流动是一种具有自由界面的复杂瞬态气液两相流[1]、[2]、[3]、[4]，这对性能优化带来了很大的困难。液环泵中的高精度流场预测模型已成为该领域的研究热点。许多研究已经探讨了液环泵中的瞬态气液两相流。张等人[4]、[5]、[6]、[7]使用VOF模型对液环真空泵中的三维非稳态气液两相流进行了数值模拟，并对液环真空泵内的瞬时气液流动进行了可视化实验。郭等人[8]、[9]使用正交分解（POD）方法重构了液环泵内的瞬态气液两相流场，分析了相场和速度场的空间基本模态特性以及基本模态系数的时域特性，并建立了一个降阶模型来预测和分析流场。当预测时间在样本时间范围内时，该模型的重构精度较高，但当预测时间超出样本时间范围时，预测精度会迅速下降。
智能方法为流体机械内部流动的研究提供了新的范式。准确预测流场特性在流体机械设计中起着关键作用。王等人[10]使用降阶模型（ROM）成功预测了空气动力载荷和应力。肖等人[11]开发了一个高精度的短时快速预测模型，用于两自由度圆柱系统。通过将POD方法与长短期记忆（LSTM）神经网络相结合，该模型可以准确预测圆柱体在横向流动方向上的速度分布和位移，预测时间跨度为300个时间步长。值得注意的是，其计算成本仅为浸没边界格子Boltzmann方法（IB-LBM）所需成本的5.27%，显著提高了预测效率。侯等人[12]提出了一种新颖的U-Net-LSTM深度学习模型，用于潜艇模型的时间序列流场预测，这种深度学习方法不仅具有出色的稳定性，还对未来流场特性具有很强的预测能力。这些研究表明，数据驱动的人工智能算法为预测复杂流场提供了更有效的解决方案[13]。受到ROM和LSTM在流场预测中成功应用的启发，我们提出了一个CNN-LSTM模型来预测液环泵的瞬态流动。卷积神经网络（CNN）可以提取流场的局部空间特征，并显著降低流场数据的维度，然后LSTM可以捕捉流场随时间的变化。分析结果表明，预测的相场、压力场和温度场的平均相对误差保持在2%以内，且模型的训练时间比CFD方法快四个数量级[14]。
尽管CNN-LSTM模型能够准确预测瞬态流场，但CNN提取流场特征需要一定的计算资源。POD方法可以将流动分解为模态特征及其对应模态系数的线性组合，因此可以通过使用LSTM方法预测模态系数来重构瞬态流动。肖等人[15]将POD-LSTM引入了离心泵流场的预测中。与POD-RBF模型相比，POD-LSTM模型的预测准确性更高。具体来说，预测离心泵压力场和速度场的平均相对误差分别为0.06%和6.07%，而且POD-LSTM模型的计算时间仅为传统CFD方法所需时间的0.01%。
计算模型和数值方法
所开发的计算模型基于2BEA-202型液环真空泵。原泵的双吸结构进行了修改，使驱动端同时作为吸入口和排出口，而非驱动端设计有可视化窗口。模型泵的关键参数总结在表1中。叶轮模型使用三维设计软件构建，忽略了叶轮与叶片尖端之间的轴向间隙。
正交分解（POD）
POD是一种基于模态分解的有效数据降维方法，由Sirovich[16]提出，并由Lumley[17]引入到流体动力学领域。根据POD方法，通过特征值分解可以将复杂流场分解为一组正交基函数的线性组合，从而建立原始大尺度流场的低阶线性近似。每个矩的数据可以表示为一列
液环泵中气液流动的POD分析
利用快照POD方法，我们可以将液环泵的复杂流场分解为基本模态及其系数的线性组合，分析流场特性并重构流场。样本集的前60%被用作训练集，对泵中间部分的流场进行了POD分析。图7展示了使用POD方法得到的各阶模态能量占比的分布
结论
本研究提出了POD-LSTM模型，用于预测液环真空泵的瞬态流场。与传统POD-RBF和CFD方法相比，POD-LSTM模型在预测远离训练集时间的流场时表现更好，计算效率也显著提高。
研究结果表明，POD-LSTM模型在预测叶轮内压力和相位时的平均相对误差较低
作者贡献声明
孟凡瑞：撰写 – 审稿与编辑，概念化。
王晓园：撰写 – 审稿与编辑。
唐宇：撰写 – 审稿与编辑，原始草稿，方法论。
张仁辉：撰写 – 审稿与编辑，监督，项目管理，资金获取
利益冲突声明
作者声明他们没有已知的可能会影响本研究工作的财务利益或个人关系。
资助
本研究得到了中国甘肃省联合研究基金（授权号24JRRA834）、国家市场监督管理总局的科技计划（授权号2024MK07）、甘肃基础研究创新群体项目（26JRRA005）以及泰山产业专家计划（授权号tscx202408144）的支持。
利益冲突声明
作者声明他们没有已知的可能会影响本文所述工作的财务利益或个人关系。
