粒子浓度场预测方法

本申请涉及超导腔环境检测，具体为一种粒子浓度场预测方法。

背景技术：

1、超导腔是超导直线加速器中的关键核心部件，其洁净装配质量直接影响腔体射频性能和运行可靠性。在装配过程中，若微小颗粒进入腔体内部，可能诱发场致发射、二次电子倍增等问题，严重时会造成腔体性能衰减甚至失效。因此，需要对超导腔洁净装配区域内的粒子污染进行有效监测。现有粒子污染监测方式主要包括离散采样方式和数值模拟方式。这存在如下缺陷：

2、离散采样方式依赖粒子计数器对若干固定点位进行离散采样，其受限于粒子计数器数量、安装位置、采样频率及工程布设条件，通常只能得到少量离散点数据，难以恢复装配区域内粒子浓度场的连续时空分布；

3、数值模拟方式则是采用计算流体力学模型对洁净室流场与粒子输运过程进行数值求解，其通常依赖较为完整的初始条件、边界条件和精细网格离散，建模复杂、计算成本较高，且在实际洁净装配工况中，粒子源项往往具有局部性、瞬态性和不确定性，导致传统数值模拟方法在工程应用中存在适应性不足、重建效率低和更新困难等问题。

技术实现思路

1、针对现有技术中存在的缺陷，本申请解决的技术问题为：如何实现对洁净装配区域粒子浓度的时空连续分布重建。

2、为实现以上目的，本申请实施例提供一种粒子浓度场预测方法，该方法步骤包括：

3、根据超导腔洁净装配环境的二维截面，构建平面坐标系；

4、在超导腔洁净装配区域布设监测点，采集各监测点的风速数据和粒子浓度数据，并获取采集点的采集时间和空间坐标，生成数据集；

5、以空间坐标和采集时间为输入，以预测风速数据和预测粒子浓度为输出，构建平衡型物理信息神经网络模型，并以数据集训练平衡型物理信息神经网络模型；

6、将待预测时刻或待预测时间区间的空间坐标和采集时间输入训练后的平衡型物理信息神经网络模型，获取预测风速数据和预测粒子浓度。

7、在一实施方式中，在生成数据集之前，对监测点的风速数据、粒子浓度数据、采集时间和空间坐标进行预处理，该预处理方式包括时间对齐、格式统一、异常值剔除、背景值修正和归一化处理。

8、在一实施方式中，所述平衡型物理信息神经网络模型以联合损失函数为约束，该联合损失函数由数据损失项、物理损失项、边界损失项加权求和得到。

9、在一实施方式中，所述数据损失项用于约束预测风速数据和预测粒子浓度与数据集中对应风速数据和粒子浓度的误差；

10、所述物理损失项用于约束预测风速数据和预测粒子浓度，使其满足背景流场模型和粒子输运模型；

11、所述边界损失项用于对预测风速数据和预测粒子浓度进行边界约束。

12、在一实施方式中，所述背景流场模型基于不可压缩流动控制方程描述；

13、所述粒子输运模型基于对流—扩散控制方程描述。

14、在一实施方式中，所述边界约束包括送风边界、回风边界以及壁面边界。

15、在一实施方式中，所述平衡型物理信息神经网络模型的训练流程包括：

16、将数据集按照预设比例划分为训练集和验证集；

17、利用训练集训练平衡型物理信息神经网络模型；

18、在联合损失函数收敛后，利用验证集验证平衡型物理信息神经网络模型；

19、在平衡型物理信息神经网络模型的输出结果符合预设标准时，完成平衡型物理信息神经网络模型的训练。

20、在一实施方式中，所述平衡型物理信息神经网络模型的输出结果符合预设标准的判定逻辑为：

21、根据平衡型物理信息神经网络模型输出的预测风速数据和预测粒子浓度，和验证集中对应风速数据和粒子浓度，计算均方根误差、平均绝对误差和决定系数，在均方根误差和平均绝对误差均小于预设阈值、且决定系数大于预设阈值时，判定平衡型物理信息神经网络模型的输出结果符合预设标准。

22、与现有技术相比，本申请的优点在于：

23、通过构建平衡型物理信息神经网络模型，能够在有限监测点条件下实现粒子浓度场的连续重建与预测，相较于传统离散采样方法，不仅能够给出指定监测点的粒子浓度结果，还能输出整个洁净装配区域内粒子浓度场的连续时空分布，并且利用联合损失函数为约束，能够使平衡型物理信息神经网络模型的预测结果更加符合真实物理规律，避免小样本条件下的失真风险。

1.一种粒子浓度场预测方法，其特征在于，该方法步骤包括：

2.根据权利要求1所述的一种粒子浓度场预测方法，其特征在于，在生成数据集之前，对监测点的风速数据、粒子浓度数据、采集时间和空间坐标进行预处理，该预处理方式包括时间对齐、格式统一、异常值剔除、背景值修正和归一化处理。

3.根据权利要求1所述的一种粒子浓度场预测方法，其特征在于，所述平衡型物理信息神经网络模型以联合损失函数为约束，该联合损失函数由数据损失项、物理损失项、边界损失项加权求和得到。

4.根据权利要求3所述的一种粒子浓度场预测方法，其特征在于，所述数据损失项用于约束预测风速数据和预测粒子浓度与数据集中对应风速数据和粒子浓度的误差；

5.根据权利要求4所述的一种粒子浓度场预测方法，其特征在于，所述背景流场模型基于不可压缩流动控制方程描述；

6.根据权利要求4所述的一种粒子浓度场预测方法，其特征在于，所述边界约束包括送风边界、回风边界以及壁面边界。

7.根据权利要求3所述的一种粒子浓度场预测方法，其特征在于，所述平衡型物理信息神经网络模型的训练流程包括：

8.根据权利要求7所述的一种粒子浓度场预测方法，其特征在于，所述平衡型物理信息神经网络模型的输出结果符合预设标准的判定逻辑为：