基于机器学习的半开式混输泵气液两相压升特性预测研究

针对半开式混输泵气液两相运行，特别是喘振工况下，压升难以获取的问题，采用机器学习的方法预测其压升特性，以协助优化设计，保障混输泵安全运行。该文通过试验的方法，获得混输泵气液两相压升的数据；然后构建以转速、液相流量和入口体积含气率作为输入特征，并基于高斯过程回归(GPR)、BP神经网络(BPNN)以及支持向量机回归(SVR)等算法的机器学习模型，开展混输泵压升的预测和分析。结果表明：在混输泵正常工况时，BPNN模型在高含气率的预测值严重偏离试验值，GPR模型预测的相对误差在5%；在混输泵喘振工况时，BPNN和SVR模型的预测误差随着喘振的持续进行逐渐增大；GPR模型在喘振区间的压升预测值误差均小于SVR和BPNN模型，大部分样本点相对误差在5%。GPR模型的气液两相压升预测能力最优，该方法通过少量试验数据，即可达到大量试验的效果；以概率分布方式输出预测值更能适应喘振工况大压力波动的样本特征，显著提高了混输泵喘振现象的研究效率。