基于物理先验约束与多分支注意力UNet的钢包底吹气液两相流快速预测方法
本发明属于钢铁冶金技术与深度学习交叉应用,具体涉及一种基于物理先验特征构建、物理约束数据扩增及多分支注意力unet网络的钢包底吹气液两相流快速预测方法。
背景技术:
1、钢包精炼是现代炼钢流程中的关键环节,底吹氩搅拌在钢液流动控制和传质强化中具有重要作用。注入钢液中的氩气在浮力作用下形成气泡羽流,并通过气液相间动量交换诱导钢液形成大尺度循环流动,从而促进成分均匀化、温度均匀化和夹杂物去除。
2、目前,针对钢包底吹气液两相流的研究主要依赖euler-euler双流体方法和vof方法。该类方法虽然能够较详细地表征钢包内部复杂多相流场结构,但工业尺度气液两相流模拟往往需要较高计算资源且耗时较长,通常难以满足数字孪生、在线监测和实时反馈控制的要求。
3、与此同时,机器学习方法已逐步应用于冶金过程建模,但多数研究集中于钢液温度、合金收得率等低维标量预测任务。相比之下,钢包内部气液两相流场属于高维、多变量、空间分布式的复杂预测对象,现有研究仍较少。虽然深度学习在流体力学领域已被用于快速流场重构和cfd加速,但在钢包底吹气液两相流领域,仍缺乏成熟方案。
4、此外,普通纯数据驱动模型通常缺乏对钢包边界、喷嘴位置、理论羽流分布和局部湍流不确定性的显式表达,容易在羽流边界区、剪切层和局部高梯度区域出现预测偏差。若采用单一共享解码结构同时预测水平速度、竖直速度和气相体积分数,也容易因不同物理量之间的分布特征差异而产生特征竞争,影响预测稳定性和精度。
技术实现思路
1、鉴于现有技术的上述缺点和不足,本发明提供一种基于物理先验约束与多分支注意力unet的钢包底吹气液两相流快速预测方法,以解决现有钢包底吹气液两相流预测过程中过度依赖高成本cfd求解、预测实时性不足、纯数据驱动模型物理一致性较差以及多物理量协同预测精度不足的问题。
2、技术方案
3、为达到上述目的,本发明采用如下技术方案:
4、本发明提供了一种基于物理先验约束与多分支注意力unet的钢包底吹气液两相流快速预测方法,包括以下步骤:
5、步骤1:建立钢包底吹气液两相流数值模拟模型,并在多个底吹流量工况下获得三维原始流场数据;
6、步骤2:提取钢包特征截面,并将三维非结构流场数据插值到二维规则网格;
7、步骤3:基于局部湍动能和速度扰动构建物理约束数据扩增样本;
8、步骤4:构建包含几何边界、喷嘴位置、理论气相分布的三通道物理先验输入特征矩阵;
9、步骤5:构建输入为三通道特征、输出为三通道目标流场的监督学习数据集,并采用工况留出法划分训练集和测试集;
10、步骤6:构建多分支注意力unet网络模型;
11、步骤7:构建损失函数,并完成模型训练;
12、步骤8:将待预测工况对应的输入特征矩阵输入训练完成的模型中,输出钢包特征截面上的水平速度场、竖直速度场和气相体积分数场。
13、作为本发明的进一步改进,所述步骤1中的数值模拟采用euler-euler双流体模型描述钢包内气液两相流,液相与气相满足体积分数约束关系:
14、
15、其中,αl为液相体积分数,αg为气相体积分数,均为无量纲参数。
16、对于任意相q(q=l, g),其连续方程和动量方程分别表示为:
17、
18、
19、式中,ρq表示密度,kg/m3;uq表示速度,m/s;p表示共享压力,n/m2;μeff, q表示有效黏度,pa·s;g表示重力加速度,m/s2;rq表示相间作用力,n/m3。
20、液相湍流采用标准k−ε模型,其控制方程为:
21、
22、
23、其中,k为湍动能,单位为m2/s2;ε为湍流耗散率,单位为m2/s3;gk为由平均速度梯度产生的湍动能项,其单位与方程源项保持一致;μl为液相动力黏度,单位为pa·s;μt,l为液相湍流黏度,单位为pa·s;σk、σε、c1ε、c2ε均为模型常数。液相湍流黏度表示为:。
24、相间动量交换关系表示为:
25、
26、其中,为拖曳力,n/m3;为升力,n/m3;为虚拟质量力,n/m3;为湍流扩散力,n/m3。在钢包底吹气液两相流中,拖曳力为主导项,其表达式为:
27、
28、拖曳系数cd与气泡雷诺数reg的关系为:
29、
30、
31、液相与气相有效黏度分别为:
32、
33、
34、其中,气泡诱导湍流黏度μbit表示为:
35、
36、其中,cs为经验常数。喷嘴出口气泡直径表示为:
37、
38、钢包几何简化为带单底吹喷嘴的圆柱形容器,优选地,钢包半径为1.25 m,钢包高度h=2.10 m,喷嘴直径d=0.01 m,喷嘴坐标为(xjet, yjet, zjet)=(0.15625 m, 0 m, 0 m),底吹流量工况包括160、180、200、220、240 nl/min。
39、作为本发明的进一步改进,所述步骤2中,选取经过钢包中心轴且包含底吹喷嘴中心线的z=0截面作为二维预测平面,并采用基于kd-tree最近邻搜索的插值策略将三维非结构网格结果映射到126×106的规则二维网格。
40、作为本发明的进一步改进,所述步骤3中的速度场扩增方法如下:
41、将稳态cfd解视为平均场,瞬时速度分解为:
42、
43、
44、在各向同性湍流假设下,局部脉动幅值与湍动能k的关系为:
45、
46、
47、其中,ξ和ζ为彼此独立的随机变量,并在[−1,1]区间内分布。优选地,ξ和ζ服从均匀分布。
48、作为本发明的进一步改进,所述步骤3中的气相体积分数扩增采用基于速度扰动驱动的扰动模型。气相体积分数α满足二维纯对流方程:
49、
50、令α = α0+α′,在忽略二阶小量后得到一阶线性化扰动方程:
51、
52、进一步采用显式euler格式离散为:
53、
54、其中,时间步长δt根据cfl条件自适应确定,且每次更新后对α进行轻度平滑并约束在[0,1]区间内。优选地,每个基础工况由1帧原始样本扩增得到200帧扰动样本,连同原始样本共形成201帧伪瞬态样本序列。
55、作为本发明的进一步改进,所述步骤4中,每个二维样本表示为三通道物理先验特征矩阵:
56、
57、其中,xinr3×nx×ny,优选nx =126,ny =106。
58、几何边界距离场sdf采用如下表达式:
59、
60、喷嘴距离场ndf表示为:
61、
62、理论气相体积分数αin根据castillejos-brimacombe羽流模型计算得到,其径向分布为:
63、
64、其中,径向距离为:。当选择中心截面z=0且喷嘴位于同一截面时,上式化简为:。
65、中心线最大气相体积分数αmax采用分段函数表示为:
66、
67、其中无量纲参数n表示为:
68、
69、半值宽度rmax/2表示为:
70、
71、作为本发明的进一步改进,所述步骤5中,输出目标场定义为:y∈r3×nx×ny。其中三个通道分别对应水平速度分量u、竖直速度分量v和气相体积分数α。训练集和测试集采用工况留出法进行划分,以避免不同底吹流量工况之间的信息泄漏。
72、作为本发明的进一步改进,所述步骤6中构建的多分支注意力unet模型包括编码器、瓶颈层和多个解码分支,并在所有跳跃连接中引入注意力门控模块。多分支解码结构分别设置用于预测水平速度u、竖直速度v及气相体积分数α的独立解码分支,以减轻不同输出变量之间的高层特征干扰。
73、作为本发明的进一步改进,所述步骤7中的损失函数定义为:
74、
75、
76、
77、总损失为:
78、
79、优选地,损失权重设置为:λα= 0.5。
80、作为本发明的进一步改进,模型训练时输入特征按通道进行z-score标准化,输出中仅u和v标准化,α保持在[0,1]物理区间;卷积滤波器配置为[16, 32, 32, 64],卷积核大小为5,优化器采用adam,初始学习率为1×10−3,若损失连续100个epoch未下降则学习率减半,若连续200个epoch无改善则提前停止训练。
81、作为本发明的进一步改进,所述步骤8中模型评价指标包括均方根误差rmse、相对误差rel以及综合total rmse。对于任意变量 k∈{u,v,α},其均方根误差定义为:
82、
83、相对误差定义为:
84、
85、其中,δ=10−6。综合误差定义为:
86、
87、并以total rmse最小对应的模型作为最优模型。
88、本发明的有益效果是:
89、预测效率高:通过深度学习代理模型替代完整cfd求解流程,实现钢包底吹气液两相流场的快速重构,满足数字孪生和在线预测需求。
90、物理可解释性强:通过引入sdf、ndf、αin三通道物理先验输入,实现几何边界、喷嘴驱动位置和理论气相羽流分布的显式表达。
91、样本扩增合理:采用基于湍动能一致性的物理约束扩增方法,在保持主导流动拓扑不变的情况下提高训练样本多样性和物理一致性。
92、局部关键区域捕捉能力强:通过注意力门控模块增强对羽流区、剪切层和局部高梯度区的特征提取。
93、多变量预测精度高:通过多分支解码结构分别预测u、v与α,减少变量间特征干扰,提高协同预测精度。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com