用于液压孔口和或缝流体力学实验的智能实验系统

1.本发明属于实验的一体化实验模块技术领域，尤其涉及一种用于液压孔口和或缝流体力学实验的智能实验系统。


背景技术：

2.流体是能流动的物质，它是一种受任何微小剪切力的作用都会连续变形的物体。流体是液体和气体的总称。它具有易流动性，可压缩性，黏性。由大量的、不断地作热运动而且无固定平衡位置的分子构成的流体，都有一定的可压缩性，液体可压缩性很小，而气体的可压缩性较大，在流体的形状改变时，流体各层之间也存在一定的运动阻力(即粘滞性)。当流体的粘滞性和可压缩性很小时，可近似看作是理想流体，它是人们为研究流体的运动和状态而引入的一个理想模型。然而，现有用于液压孔口和或缝流体力学实验的智能实验系统对数据分类不精准；同时，不能对流体分布进行预测。
3.综上所述，现有技术存在的问题是：现有用于液压孔口和或缝流体力学实验的智能实验系统对数据分类不精准；同时，不能对流体分布进行预测。


技术实现要素：

4.针对现有技术存在的问题，本发明提供了一种用于液压孔口和或缝流体力学实验的智能实验系统。
5.本发明是这样实现的，一种用于液压孔口和或缝流体力学实验的智能实验系统，所述用于液压孔口和或缝流体力学实验的智能实验系统包括：
6.实验测试模块，与中央控制模块连接，用于基于预设的实验参数对被试液压孔口和/或缝隙进行流体测试；
7.数据采集模块，与中央控制模块连接，用于利用相应设备进行实验过程的温度、压力、位移、载荷数据的采集；
8.分类模块，与中央控制模块连接，用于对预处理后的实验测试数据进行分类；
9.特性分析模块，与中央控制模块连接，用于基于分类后的数据确定不同类别下的流体的流动特性；
10.预测模块，与中央控制模块连接，用于基于特性分析结果对流体特征的概率分布数据进行预测。
11.进一步，所述用于液压孔口和或缝流体力学实验的智能实验系统还包括：
12.参数设置模块，与中央控制模块连接，用于进行实验参数的设置；
13.传感器校正模块，与中央控制模块连接，用于对平台的各个传感器设备进行校正；
14.数据预处理模块，与中央控制模块连接，用于对采集的温度、压力、位移、载荷数据进行预处理；
15.中央控制模块，与参数设置模块、传感器校正模块、实验测试模块、数据采集模块、数据预处理模块、分类模块、特性分析模块、预测模块以及显示模块连接，用于利用单片机
或控制器控制驱动装置或其他设备以及各个模块正常工作；
16.显示模块，与中央控制模块连接，用于对特性分析结果、数据采集结果、预测结果以图表或其他可视化形式输出。
17.进一步，所述数据采集模块包括：
18.温度检测单元，用于利用温度传感器检测流体温度数据；
19.压力检测单元，用于利用压力传感器检测流体压力数据；
20.位移检测单元，用于利用位移传感器检测流体位移数据；
21.载荷检测单元，用于利用载荷传感器检测流体载荷数据。
22.进一步，所述分类模块对预处理后的实验测试数据进行分类包括：
23.首先，获取预处理后的实验测试数据的来源以及获取方式；根据实验测试数据的来源以及获取方式进行数据的一级分类；
24.其次，在一级分类的基础上，按照数据的属性与类型对所述实验测试数据进行二次分类；
25.最后，基于所述一级分类与二级分类结果建立索引表，确定关联规则，得到数据分类结果。
26.进一步，所述预测模块基于特性分析结果对流体特征的概率分布数据进行预测包括：
27.(1)获取预设范围内的所有流体数据，并对所述流体数据进行归一化处理；利用特征深度学习网络对归一化处理的流体数据的线性特征进行非线性寻优和拟合，提取流体数据的线性特征；
28.(2)利用分类深度学习网络对大量流体数据的线性特征进行分类，建立第一流体特征模型；利用分类深度学习网络中的残差网络对建立的第一流体特征模型进行迭代和校正，得到第二流体特征模型；
29.(3)通过第二流体特征模型和激活函数，对预设范围内的流体数据进行矩阵集合计算，获得预设范围内的流体特征的概率分布数据。
30.进一步，所述对流体数据进行归一化处理包括：对所述流体数据进行去噪、级别量化以及格式化处理。
31.进一步，所述利用第一套深度学习网络对流体数据的线性特征进行非线性寻优和拟合包括：
32.首先，通过卷积神经网络cnn将流体数据进行维度变换和卷积处理；
33.其次，通过循环神经网络rnn中的长短期记忆lstm网络进行全局的线性特征寻优。
34.本发明的另一目的在于提供一种信息数据处理终端，其特征在于，所述信息数据处理终端用于实现所述用于液压孔口和或缝流体力学实验的智能实验系统。
35.本发明的另一目的在于提供一种存储在计算机可读介质上的计算机程序产品，包括计算机可读程序，供于电子装置上执行时，提供用户输入接口以应用所述用于液压孔口和或缝流体力学实验的智能实验系统。
36.本发明的另一目的在于提供一种计算机可读存储介质，储存有指令，当所述指令在计算机上运行时，使得计算机应用所述用于液压孔口和或缝流体力学实验的智能实验系统。
37.本发明的优点及积极效果为：本发明通过分类模块可以大大提高对流体数据分类的准确性；同时，通过预测模块根据指定区域层系流体数据的训练，可以得出相应的流体预测模型，可以应用于基于以往该地区的油气分布规律，预测出未探明区域的油气分布；通过深度学习网络，可以将流体数据特征抽象出来，在几万种特征中找出最合适的一种特征进行流体预测。本发明能够在不同参数不同环境下进行流体力学实验，并获取对应的实验数据，有助于研究与确定流体力学特性。
附图说明
38.图1是本发明实施例提供的的用于液压孔口和或缝流体力学实验的智能实验系统的结构示意图。
39.图2是本发明实施例提供的数据采集模块的结构示意图。
40.图3是本发明实施例提供的分类模块对预处理后的实验测试数据进行分类的方法流程图。
41.图4是本发明实施例提供的预测模块基于特性分析结果对流体特征的概率分布数据进行预测的方法流程图。
42.图5是本发明实施例提供的用第一套深度学习网络对流体数据的线性特征进行非线性寻优和拟合的方法流程图。
43.图1中：1、参数设置模块；2、传感器校正模块；3、中央控制模块；4、实验测试模块；5、数据采集模块；6、数据预处理模块；7、分类模块；8、特性分析模块；9、预测模块；10、显示模块；51、温度检测单元；52、压力检测单元；53、位移检测单元；54、载荷检测单元。
具体实施方式
44.为能进一步了解本发明的发明内容、特点及功效，兹例举以下实施例，并配合附图详细说明如下。
45.下面结合附图对本发明的结构作详细的描述。
46.如图1所示，本发明实施例提供的用于液压孔口和或缝流体力学实验的智能实验系统包括：
47.参数设置模块1，与中央控制模块3连接，用于进行实验参数的设置；
48.传感器校正模块2，与中央控制模块3连接，用于对平台的各个传感器设备进行校正；
49.中央控制模块3，与参数设置模块1、传感器校正模块2、实验测试模块4、数据采集模块5、数据预处理模块6、分类模块7、特性分析模块8、预测模块9以及显示模块10连接，用于利用单片机或控制器控制驱动装置或其他设备以及各个模块正常工作；
50.实验测试模块4，与中央控制模块3连接，用于基于预设的实验参数对被试液压孔口和/或缝隙进行流体测试；
51.数据采集模块5，与中央控制模块3连接，用于利用相应设备进行实验过程的温度、压力、位移、载荷数据的采集；
52.数据预处理模块6，与中央控制模块3连接，用于对采集的温度、压力、位移、载荷数据进行预处理；
53.分类模块7，与中央控制模块3连接，用于对预处理后的实验测试数据进行分类；
54.特性分析模块8，与中央控制模块3连接，用于基于分类后的数据确定不同类别下的流体的流动特性；
55.预测模块9，与中央控制模块3连接，用于基于特性分析结果对流体特征的概率分布数据进行预测；
56.显示模块10，与中央控制模块3连接，用于对特性分析结果、数据采集结果、预测结果以图表或其他可视化形式输出。
57.如图2所示，本发明实施例提供的数据采集模块5包括：
58.温度检测单元51，用于利用温度传感器检测流体温度数据；
59.压力检测单元52，用于利用压力传感器检测流体压力数据；
60.位移检测单元53，用于利用位移传感器检测流体位移数据；
61.载荷检测单元54，用于利用载荷传感器检测流体载荷数据。
62.如图3所示，本发明实施例提供的分类模块对预处理后的实验测试数据进行分类包括：
63.s101，获取预处理后的实验测试数据的来源以及获取方式；根据实验测试数据的来源以及获取方式进行数据的一级分类；
64.s102，在一级分类的基础上，按照数据的属性与类型对所述实验测试数据进行二次分类；
65.s103，基于所述一级分类与二级分类结果建立索引表，确定关联规则，得到数据分类结果。
66.如图4所示，本发明实施例提供的预测模块基于特性分析结果对流体特征的概率分布数据进行预测包括：
67.s201，获取预设范围内的所有流体数据，并对所述流体数据进行归一化处理；利用特征深度学习网络对归一化处理的流体数据的线性特征进行非线性寻优和拟合，提取流体数据的线性特征；
68.s202，利用分类深度学习网络对大量流体数据的线性特征进行分类，建立第一流体特征模型；利用分类深度学习网络中的残差网络对建立的第一流体特征模型进行迭代和校正，得到第二流体特征模型；
69.s203，通过第二流体特征模型和激活函数，对预设范围内的流体数据进行矩阵集合计算，获得预设范围内的流体特征的概率分布数据。
70.本发明实施例提供的对流体数据进行归一化处理包括：对所述流体数据进行去噪、级别量化以及格式化处理。
71.如图5所示，本发明实施例提供的利用第一套深度学习网络对流体数据的线性特征进行非线性寻优和拟合包括：
72.s301，通过卷积神经网络cnn将流体数据进行维度变换和卷积处理；
73.s302，通过循环神经网络rnn中的长短期记忆lstm网络进行全局的线性特征寻优。
74.以上所述仅是对本发明的较佳实施例而已，并非对本发明作任何形式上的限制，凡是依据本发明的技术实质对以上实施例所做的任何简单修改，等同变化与修饰，均属于本发明技术方案的范围内。