更正：Mahmoud等人提出了一种基于人工神经网络的新实证相关方法，用于预测孔隙压力，并将其应用于实际案例研究。论文发表于《 Processes 2026》第12卷，第664页。 作者包括：Ahmed Abdulhamid Mahmoud、Bassam Mohsen Alzayer、George Panagopoulos、Paschalia Kiomourtzi、Panagiotis Kirmizakis、Salaheldin Elkatatny 和 Pantelis Soupios

《Processes》：Correction: Mahmoud et al. A New Empirical Correlation for Pore Pressure Prediction Based on Artificial Neural Networks Applied to a Real Case Study. Processes 2026, 12, 664 Ahmed Abdulhamid Mahmoud, Bassam Mohsen Alzayer, George Panagopoulos, Paschalia Kiomourtzi, Panagiotis Kirmizakis, Salaheldin Elkatatny and Pantelis Soupios

　　

摘要

在高频换向条件下，单活塞二维电液泵存在严重的反向流动和压力脉动问题，这限制了其容积效率和运行稳定性。为了解决这一问题，本研究提出了一种基于替代模型的多目标优化框架来优化泵的分配结构。首先，建立了一个动态模型来分析三角阻尼槽几何形状对流动和压力特性的影响，并选取了四个关键参数作为设计变量。然后，利用AMESim仿真生成的样本数据训练了一个经过遗传算法优化的反向传播神经网络替代模型。最后，将该替代模型与NSGA-II算法结合使用，以同时最小化反向流动的峰值和压力脉动的幅度。结果显示，GA-BP模型的预测误差分别为2.72%和2.99%。与初始设计相比，优化后的结构使反向流动峰值降低了27.6%，并将压力脉动幅度从0.78 MPa降低到0.41 MPa。这些结果表明，在本研究所考虑的参数范围和运行条件下，所提出的框架为单活塞二维电液泵的阻尼槽参数的协同优化提供了一种有效的工具。