基于相似分析和人工神經(jīng)網(wǎng)絡(luò)的管柱式氣液旋流分離器壓降預(yù)測(cè)模型

(中國石油大學(xué)(北京) 過程流體過濾與分離技術(shù)北京市重點(diǎn)實(shí)驗(yàn)室， 北京102249)

0 引 言

深水油氣是重要的能源資源。當(dāng)前，國際海洋油氣正邁向深水、超深水領(lǐng)域，管柱式氣液旋流分離器(Gas Liquid Cylindrical Cyclone separator， GLCC)則是深水油氣開發(fā)中的重要設(shè)備[1]。GLCC結(jié)構(gòu)緊湊，既無內(nèi)構(gòu)件，也無運(yùn)動(dòng)件，且成本低[2]，對(duì)實(shí)現(xiàn)油氣高效分離并保障管線輸送安全起到至關(guān)重要的作用。GLCC結(jié)構(gòu)如圖1所示，其工作原理為：氣、液兩相流經(jīng)與豎直筒體相切的傾斜入口管，經(jīng)漸縮噴嘴加速后在豎直筒體上、下部分別形成氣相、液相兩股旋流。在離心力與重力的作用下，液相被甩到邊壁，并形成向下的液相旋流，最后從下部液相出口排出，氣相則邊旋轉(zhuǎn)邊向上形成氣相旋流，再從豎直筒體上部氣相出口排出，由此實(shí)現(xiàn)氣、液兩相的分離。GLCC雖結(jié)構(gòu)簡(jiǎn)易、作用原理簡(jiǎn)單，但分離器內(nèi)部流體力學(xué)行為卻極其復(fù)雜，其結(jié)構(gòu)參數(shù)、操作參數(shù)、物料特性等因素均影響分離器的分離性能，截至目前，還未形成切實(shí)可行的性能預(yù)測(cè)方法，難以有效指導(dǎo)工業(yè)生產(chǎn)。

圖1 GLCC結(jié)構(gòu)與尺寸

相似理論用量綱分析或方程分析等方法導(dǎo)出相似準(zhǔn)數(shù)，再依據(jù)相似原理建立試驗(yàn)?zāi)Ｐ?或試驗(yàn)臺(tái))，通過試驗(yàn)得出相似準(zhǔn)數(shù)間的定量關(guān)系，以揭示物理現(xiàn)象的本質(zhì)規(guī)律。運(yùn)用相似理論進(jìn)行模型試驗(yàn)經(jīng)濟(jì)性佳、針對(duì)性強(qiáng)且數(shù)據(jù)準(zhǔn)確[3]。相似分析法已在各個(gè)研究領(lǐng)域得到了廣泛應(yīng)用：孫雪鋒[4]基于幾何相似原理對(duì)水力旋流器進(jìn)行研究；羅曉蘭等[5]以切流反轉(zhuǎn)式水下油氣分離器為對(duì)象，采用相似分析得到影響分離器性能的關(guān)鍵無因次參數(shù)，并對(duì)這些參數(shù)進(jìn)行優(yōu)化匹配，設(shè)計(jì)出滿足工程要求的深海油氣分離器。運(yùn)用相似理論對(duì)GLCC進(jìn)行研究具有一定的可行性。

人工神經(jīng)網(wǎng)絡(luò)是一種基于模仿生物大腦的結(jié)構(gòu)和功能，采用數(shù)學(xué)和物理方法進(jìn)行研究而構(gòu)成的信息處理系統(tǒng)[6]。一般而言，先假定網(wǎng)絡(luò)的結(jié)構(gòu)已經(jīng)確定，即已知計(jì)算單元的層數(shù)、每層的神經(jīng)元數(shù)以及各層間神經(jīng)元的關(guān)聯(lián)，當(dāng)輸入與輸出之間是非線性關(guān)系且訓(xùn)練數(shù)據(jù)庫足夠龐大時(shí)，人工神經(jīng)網(wǎng)絡(luò)可以出色地完成不同領(lǐng)域的問題[7]。褚良銀等[8]以人工神經(jīng)網(wǎng)絡(luò)為手段，建立油-水分離旋流器的3層BP神經(jīng)網(wǎng)絡(luò)模型，該模型可根據(jù)物性參數(shù)、性能要求設(shè)計(jì)旋流器結(jié)構(gòu)和操作參數(shù)；馮建成等[9]采用BP神經(jīng)網(wǎng)絡(luò)算法，建立的固-液水力旋流器模型，既可用于設(shè)備選型，又可用于優(yōu)化旋流器參數(shù)。GLCC的性能指標(biāo)與影響因素之間屬于典型的多維非線性關(guān)系，采用傳統(tǒng)的數(shù)學(xué)建模或理論分析方法很難對(duì)其精確描述，且一些理論函數(shù)關(guān)系往往是基于一定的假設(shè)基礎(chǔ)獲得的，相比而言，通過人工神經(jīng)網(wǎng)絡(luò)方法的非線性映射能力獲得的預(yù)測(cè)模型更接近實(shí)際[10]。

然而，一直以來，影響神經(jīng)網(wǎng)絡(luò)的泛化能力，或者說外推能力的因素，除其自身內(nèi)在算法外，一部分取決于被訓(xùn)練參數(shù)的影響，一部分取決于目標(biāo)值與影響參數(shù)之間是否有很強(qiáng)的對(duì)應(yīng)關(guān)系。一方面，被訓(xùn)練參數(shù)的水平值越多，隱含在參數(shù)之間的規(guī)律越能被挖掘出來；另一方面，若目標(biāo)值與影響參數(shù)之間的關(guān)系較為簡(jiǎn)單，則通過一定的訓(xùn)練也能得到滿意的結(jié)果。但是，往往由于某些客觀原因，在目標(biāo)值與影響值之間的關(guān)系較為復(fù)雜且被訓(xùn)練參數(shù)的水平值較少時(shí)，人們想獲取未訓(xùn)練參數(shù)所對(duì)應(yīng)的響應(yīng)值，采用傳統(tǒng)訓(xùn)練單因素法的人工神經(jīng)網(wǎng)絡(luò)所獲得的結(jié)果是不理想的，它有其內(nèi)在局限性。根據(jù)相似理論的特點(diǎn)，無量綱數(shù)可將多個(gè)因素進(jìn)行關(guān)聯(lián)，將其運(yùn)用到神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)中時(shí)：一方面，減少影響參數(shù)的個(gè)數(shù)，使原本被訓(xùn)練的參數(shù)變得不再獨(dú)立，加強(qiáng)了影響參數(shù)之間的內(nèi)在聯(lián)系；另一方面，倘若通過該種方式獲得的結(jié)果誤差在合理的范圍內(nèi)(即便用傳統(tǒng)訓(xùn)練單因素的方法也獲得了理想的結(jié)果)，那么該結(jié)果更具有理論意義。因此，本文試圖采用將相似理論與人工神經(jīng)網(wǎng)絡(luò)相結(jié)合的方式，以期建立對(duì)GLCC分離壓降性能的預(yù)測(cè)。

1 BP神經(jīng)網(wǎng)絡(luò)基本原理及GLCC相似模化

1.1 BP神經(jīng)網(wǎng)絡(luò)

圖2 BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖

BP神經(jīng)網(wǎng)絡(luò)，即基于誤差反向傳播(Error Back Propagation， EBP)的學(xué)習(xí)算法，是一種具有無反饋的、層內(nèi)無互聯(lián)多層結(jié)構(gòu)的神經(jīng)網(wǎng)絡(luò)，由斯坦福大學(xué)的RUMELHART于1985年提出。BP神經(jīng)網(wǎng)絡(luò)由輸入層、隱含層、輸出層組成，信號(hào)經(jīng)輸入層逐層傳遞至輸出層，屬于前饋網(wǎng)絡(luò)模型[11]。BP神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)過程包括正向傳播和逆向傳播兩種。在正向傳播的過程中，輸入信號(hào)逐層傳遞至輸出層：若輸出值等于期望值，或二者差值在可接受的誤差范圍內(nèi)，則學(xué)習(xí)過程結(jié)束；若輸出層得不到期望值，則誤差(二者之差)將按連接通路反向傳播，并調(diào)整隱含層各節(jié)點(diǎn)的權(quán)值，使誤差減小[12]。其結(jié)構(gòu)如圖2所示。

1.2 相似?；?/h3>

影響壓降的因素很多，本研究的液氣體積比小于5%，故本文關(guān)注氣相溢流壓降。對(duì)于GLCC而言：影響壓降Δp的幾何參數(shù)有入口管直徑d和長(zhǎng)度L，管壁粗糙度ε，主筒體直徑D和高度H，漸縮噴嘴小端的面積a×b，以及溢流管直徑dg(見圖1)；操作參數(shù)有氣液相入口表觀速度vsg、vsl，重力加速度g；物性參數(shù)有氣液相密度ρg、ρl，氣、液相動(dòng)力黏度μg、μl，以及氣液相界面張力σ。16個(gè)參數(shù)的量綱如表1所示。

表1 各物理量量綱

本文所使用的GLCC模型的材料、高度、直徑，以及傾斜入管的長(zhǎng)度均未改變，在此前提下，依據(jù)伯金漢π定理，選取d、vsg和μg為基本物理量，將余下的物理量分別與3個(gè)基本物理量組合可獲得表2的無量綱數(shù)群。

表2 無量綱數(shù)群

表2一共有10個(gè)無量綱數(shù)，再對(duì)其進(jìn)行合理的冪乘組合，可得到7個(gè)相似準(zhǔn)則數(shù)，如表3所示。

表3 相似準(zhǔn)則數(shù)

表3中：KA為形狀因數(shù)；KF為液膜表面波動(dòng)數(shù)[13]。對(duì)于氣相歐拉數(shù)Eug，本文考慮氣液兩相綜合動(dòng)能的影響，對(duì)其進(jìn)行修正，表達(dá)式為

(1)

(2)

式中：r為GLCC豎直筒體旋轉(zhuǎn)半徑，m；α為離心加速度，m/s2。

圖3 GLCC試驗(yàn)裝置示例

2 試驗(yàn)流程及參數(shù)范圍

2.1 試驗(yàn)流程

試驗(yàn)裝置及流程如圖3所示。空氣由型號(hào)為GHBH 7D536 2R7的高壓風(fēng)機(jī)鼓出，經(jīng)型號(hào)為L(zhǎng)UGB-80的渦街流量計(jì)測(cè)得體積流量Qg；液相由泵增壓后經(jīng)渦輪流量計(jì)測(cè)得體積流量Ql。氣液兩相經(jīng)混合器充分混合后，一起進(jìn)入GLCC進(jìn)行分離：分離后的氣相從GLCC上部氣相排氣口排出，再經(jīng)立式絲網(wǎng)氣液分離器后，最終排入環(huán)境中；分離后的液相從GLCC下部液相排液口返回至水箱以循環(huán)利用。在試驗(yàn)過程中，利用調(diào)節(jié)閥將平衡液位控制在豎直筒體軸向高度約900 mm[14]處，并利用RS 485數(shù)據(jù)采集系統(tǒng)對(duì)氣液兩相流量及壓差信號(hào)進(jìn)行實(shí)時(shí)在線采集(圖1中①～⑦點(diǎn)為壓力采集點(diǎn))，通過在儲(chǔ)水罐中放置通自來水的冷卻盤管，將試驗(yàn)溫度控制在25 ℃。需要指出的是，根據(jù)液相介質(zhì)的不同，所使用的泵和流量計(jì)有所不同：對(duì)于水溶液，采用型號(hào)為40-200A的離心泵和型號(hào)為L(zhǎng)D-25的渦輪流量計(jì)；對(duì)于油溶液，采用型號(hào)為G30-1的單螺桿泵和型號(hào)為L(zhǎng)WGC-25的渦輪流量計(jì)。

2.2 影響參數(shù)范圍

GLCC的結(jié)構(gòu)參數(shù)、物性參數(shù)和氣液處理量的改變均會(huì)導(dǎo)致Δp的改變。在本試驗(yàn)中：GLCC豎直筒體直徑D=74 mm，傾斜管直徑d=54 mm；3個(gè)矩形漸縮噴嘴最小端面積a×b分別為0.054 m×0.040 m、0.054 m×0.029 m、0.054 m×0.017 m，分別稱作1#、2#、3#噴嘴；溢流管直徑分別為30 mm、40 mm、54 mm，分別記作dg30、dg40、dg54；氣相為空氣(25 ℃時(shí)，其密度ρg=1.185 kg/m3，動(dòng)力黏度μg=0.183 μPa·s)，液相為水、甘油(不同質(zhì)量分?jǐn)?shù))，液相物性如表4所示；氣相流量為80～220 m3/h，液相流量為0.3～3.3 m3/h。

表4 液相物性一覽表

其中，液體密度ρl用50 mL密度瓶以及JA5003電子天平測(cè)得，動(dòng)力黏度μl由NDJ-8S旋轉(zhuǎn)黏度計(jì)測(cè)得，表面張力σ用Theta光學(xué)接觸角測(cè)量?jī)x測(cè)得，測(cè)量原理為懸滴法。被測(cè)液體溫度由CH1006N恒溫水箱控制。

3 人工神經(jīng)網(wǎng)絡(luò)的建模與分析

3.1 BP神經(jīng)網(wǎng)絡(luò)建模

在搭建的試驗(yàn)平臺(tái)上，共獲得數(shù)據(jù)650組。為了體現(xiàn)神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)能力，將影響參數(shù)劃定范圍，其中用于神經(jīng)網(wǎng)絡(luò)訓(xùn)練的數(shù)據(jù)范圍如表5所示，共計(jì)217組。相應(yīng)地，用于神經(jīng)網(wǎng)絡(luò)訓(xùn)練和預(yù)測(cè)的無量綱數(shù)的范圍即被劃定。

表5 作為訓(xùn)練數(shù)據(jù)的參數(shù)范圍

基于MATLAB的BP神經(jīng)網(wǎng)絡(luò)共3層：輸入層、隱含層和輸出層。輸入?yún)?shù)為：形狀因數(shù)KA、相似單純數(shù)dg/D、氣相弗勞德數(shù)Frg、氣相雷諾數(shù)Reg、液相雷諾數(shù)Rel和液膜表面波動(dòng)數(shù)KF(在訓(xùn)練中發(fā)現(xiàn)，將液膜表面波動(dòng)數(shù)取對(duì)數(shù)lgKF后預(yù)測(cè)模型的準(zhǔn)確度更高，這可能是由數(shù)據(jù)歸一化后3個(gè)KF之間的量級(jí)相差過大導(dǎo)致的，因此此處取lgKF)共6維。輸出參數(shù)為：溢流阻力系數(shù)ζ(ζ=2Eug')共1維。隱含層節(jié)點(diǎn)數(shù)的選擇關(guān)乎預(yù)測(cè)模型的精度[15]：節(jié)點(diǎn)數(shù)若選擇過少，BP神經(jīng)網(wǎng)絡(luò)將不能建立復(fù)雜的映射關(guān)系，容錯(cuò)性差；節(jié)點(diǎn)數(shù)若選擇過多，BP神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)時(shí)間增多，且精度不一定很高。然而，截至目前，關(guān)于節(jié)點(diǎn)數(shù)的選擇，尚無完整的理論指導(dǎo)，常采用以下經(jīng)驗(yàn)公式確定：

(3)

式中：N為隱含層節(jié)點(diǎn)個(gè)數(shù)；I為輸入層節(jié)點(diǎn)數(shù)；O為輸出層節(jié)點(diǎn)數(shù)；n為0～10之間的整數(shù)。對(duì)于本文而言，I=6，O=1，即N的取值范圍為3～13，經(jīng)過多次試驗(yàn)后確定隱含層節(jié)點(diǎn)數(shù)N=7。至此，建立了結(jié)構(gòu)為6-7-1的3層BP神經(jīng)網(wǎng)絡(luò)模型。

為使BP神經(jīng)網(wǎng)絡(luò)收斂效果明顯，利用mapminmax函數(shù)對(duì)數(shù)據(jù)進(jìn)行歸一化處理，使數(shù)據(jù)分布于[-1,1]之間。根據(jù)BP神經(jīng)網(wǎng)絡(luò)的原理，需使目標(biāo)值與期望值之間的差值最小，這是一個(gè)快速并準(zhǔn)確尋找最小值的優(yōu)化問題。在解決多維最優(yōu)化問題的方法中，常采用的算法有梯度(最速下降)法、牛頓法、Levenberg Marquardt (LM)[16]算法等。其中，LM算法是改進(jìn)版的牛頓法，本質(zhì)上屬于最小二乘算法，該算法通過增加矩陣對(duì)角元個(gè)數(shù)使函數(shù)陷入局部極小值的機(jī)會(huì)大幅度減小，是處理多維非線性優(yōu)化問題使用最廣泛的一類算法。本文學(xué)習(xí)算法選用LM算法。隱含層與輸出層傳遞函數(shù)的選擇同樣至關(guān)重要，選擇不同的函數(shù)對(duì)預(yù)測(cè)結(jié)果會(huì)產(chǎn)生很大的影響。事實(shí)上，傳遞函數(shù)的選擇在很大程度上依賴于所訓(xùn)練的樣本，目前對(duì)于傳遞函數(shù)的選定仍沒有準(zhǔn)確的理論指導(dǎo)，多取決于人們的經(jīng)驗(yàn)和數(shù)次的嘗試。本文隱含層采用logsig激活函數(shù)，輸出層采用purelin激活函數(shù)，訓(xùn)練的收斂誤差平方和設(shè)置為0.001，訓(xùn)練的最大次數(shù)設(shè)置為1 000，網(wǎng)絡(luò)的學(xué)習(xí)率設(shè)置為0.05。圖4的結(jié)果依次是訓(xùn)練樣本、驗(yàn)證樣本、測(cè)試樣本和全部樣本的回歸系數(shù)R值，其值越接近1，表明訓(xùn)練結(jié)果越好。

圖4 網(wǎng)絡(luò)訓(xùn)練結(jié)果

3.2 預(yù)測(cè)值與試驗(yàn)值對(duì)比

本文從結(jié)構(gòu)參數(shù)、操作參數(shù)和液相物性等3個(gè)角度分別預(yù)測(cè)其對(duì)GLCC溢流阻力系數(shù)的影響。圖5a)預(yù)測(cè)2#和3#噴嘴對(duì)溢流壓降的影響。可以看出：對(duì)于已經(jīng)參與訓(xùn)練的2#噴嘴而言，預(yù)測(cè)值與試驗(yàn)值幾乎吻合，相對(duì)誤差(Relative Error，RE)小于5%；對(duì)于3#噴嘴而言，在小氣量下，預(yù)測(cè)值略高于試驗(yàn)值，在大氣量下，預(yù)測(cè)值略低于試驗(yàn)值，但整體趨勢(shì)一致，圖中最大相對(duì)誤差(Maximum Relative Error，RE.Max)為10.52%。此外，在其他條件一致的前提下，3#噴嘴的溢流壓降大于2#噴嘴，這是因?yàn)椋簢娮旖孛娣e的減小導(dǎo)致進(jìn)入GLCC筒體的氣液相旋流切向流速增大，靜壓能可轉(zhuǎn)化的動(dòng)壓能增大[17]；流體進(jìn)入筒體后劇烈撞擊筒體壁面，造成局部湍動(dòng)程度增強(qiáng)，相應(yīng)地，在氣液分離過程中，氣液旋流損失也增強(qiáng)，可造成壓力損失。圖5b)預(yù)測(cè)了溢流管直徑dg=30 mm和dg=54 mm對(duì)溢流壓降的影響?？梢钥闯?，溢流管直徑對(duì)溢流壓降的影響有很好的規(guī)律性：對(duì)于已經(jīng)參與訓(xùn)練的dg30而言，模型依然可較準(zhǔn)確地實(shí)現(xiàn)預(yù)測(cè)；對(duì)于dg54而言，在小氣量下，預(yù)測(cè)值略低于試驗(yàn)值，當(dāng)氣量超過140 m3/h后，預(yù)測(cè)值略高于試驗(yàn)值，但整體趨勢(shì)一致，圖中RE.Max為9.31%。在相同的操作條件下，隨著溢流管直徑的減小，ζ值明顯增大，說明在一定范圍內(nèi)溢流壓降隨溢流管直徑的減小而增大。這是因?yàn)椋和搀w與溢流管連接處的過流面積突然減小產(chǎn)生的渦旋引起能量損失；此外，速度場(chǎng)突變引起旋流強(qiáng)度變化，并造成附加摩阻損失也致使GLCC溢流壓降發(fā)生變化。圖5對(duì)于2#噴嘴和dg30的預(yù)測(cè)結(jié)果也說明：利用神經(jīng)網(wǎng)絡(luò)將無量綱數(shù)作為影響參數(shù)進(jìn)行訓(xùn)練，對(duì)已經(jīng)參與訓(xùn)練的樣本(或訓(xùn)練范圍之內(nèi)的樣本)而言，幾乎可以實(shí)現(xiàn)結(jié)果的重現(xiàn)，這與傳統(tǒng)地將單因素作為影響參數(shù)進(jìn)行訓(xùn)練以預(yù)測(cè)訓(xùn)練范圍之內(nèi)的樣本的效果是一致的。

圖5 預(yù)測(cè)結(jié)構(gòu)參數(shù)對(duì)GLCC溢流壓降的影響

圖6所示的是預(yù)測(cè)操作參數(shù)對(duì)GLCC溢流壓降的影響，可以看出：阻力系數(shù)ζ隨Reg和Rel的變化均顯示出很好的規(guī)律性。如圖6a)所示：當(dāng)液量一定時(shí)，阻力系數(shù)ζ隨Reg的增大而減小；當(dāng)液量增大時(shí)，阻力系數(shù)ζ也相應(yīng)增大。當(dāng)Ql=2.7 m3/h時(shí)，預(yù)測(cè)值小于試驗(yàn)值；當(dāng)Ql=3.0 m3/h時(shí)則相反。圖6b)表明阻力系數(shù)ζ隨Rel的增大而增大，當(dāng)氣量增大時(shí)，阻力系數(shù)ζ也相應(yīng)增大，整體上預(yù)測(cè)值偏小。事實(shí)上，氣液量的增大使流體速度增加，導(dǎo)致流體內(nèi)部各層間的速度差變大，流體運(yùn)動(dòng)需要克服更多的流動(dòng)阻力，故使得壓降增大。從圖6也可以發(fā)現(xiàn)RE.Max隨著氣液量的增大而變大，這意味著預(yù)測(cè)模型可能是在一定的范圍內(nèi)保證精度。

圖6 預(yù)測(cè)操作參數(shù)對(duì)GLCC溢流壓降的影響

圖7 預(yù)測(cè)液相物性對(duì)GLCC溢流壓降的影響

一直以來，人們還未完全理解流體物性對(duì)溢流壓降的影響機(jī)制，這是由于流體物性包含密度、黏度、表面張力等參數(shù)，這些參數(shù)之間的交互作用以及各相之間參數(shù)的交互影響錯(cuò)綜復(fù)雜，從理論上綜合考慮這些參數(shù)對(duì)影響性能的作用機(jī)制不是一件易事。本文嘗試?yán)靡耗け砻娌▌?dòng)數(shù)KF表征液體物性對(duì)GLCC溢流壓降的影響，KF綜合了慣性力、黏性力、表面張力以及重力的影響。如圖7所示：當(dāng)預(yù)測(cè)空氣和39%甘油溶液時(shí)，平均相對(duì)誤差小于3%；當(dāng)預(yù)測(cè)空氣和47%甘油溶液時(shí)，預(yù)測(cè)值與試驗(yàn)值趨勢(shì)一致，且最大相對(duì)誤差為5.20%。另外，由圖7可知：在相同的條件下，液相介質(zhì)為47%的甘油溶液比液相介質(zhì)為39%的甘油溶液阻力系數(shù)更大，這是因?yàn)榱黧w黏性的增加致使氣液間拖曳力增大；氣液界面的波動(dòng)情況也不容忽視，表面張力越小，液膜表面波更易發(fā)展，造成溢流壓降增大。

在樣本數(shù)據(jù)范圍一致的前提下，本文也利用BP神經(jīng)網(wǎng)絡(luò)模型對(duì)傳統(tǒng)的單因素對(duì)GLCC溢流阻力系數(shù)的影響進(jìn)行訓(xùn)練和預(yù)測(cè)，結(jié)果表明，在訓(xùn)練結(jié)果理想的前提下，預(yù)測(cè)效果并不令人滿意，很難同時(shí)實(shí)現(xiàn)不同參數(shù)對(duì)性能值較為準(zhǔn)確的響應(yīng)(相對(duì)誤差小于15%)。這也說明在不考慮其他影響的前提下，將相似理論與人工神經(jīng)網(wǎng)絡(luò)結(jié)合是一種有利無弊的思想與方法。

4 結(jié) 論

管柱式氣液分離器的分離機(jī)理十分復(fù)雜，分離性能與諸多因素有關(guān)，且各因素之間相互影響，多年來一直制約著分離器的進(jìn)一步發(fā)展。本文采用將相似理論與基于MATLAB的BP神經(jīng)網(wǎng)絡(luò)模型相結(jié)合的方法，對(duì)管柱式氣液分離器溢流壓降性能進(jìn)行預(yù)測(cè)，結(jié)果表明：

(1) 將相似準(zhǔn)數(shù)作為影響參數(shù)，利用BP神經(jīng)網(wǎng)絡(luò)對(duì)GLCC性能進(jìn)行預(yù)測(cè)，不僅可減少影響參數(shù)的個(gè)數(shù)，增加影響參數(shù)之間的聯(lián)系，還提高了神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型的泛化能力。

(2) 利用BP神經(jīng)網(wǎng)絡(luò)模型從結(jié)構(gòu)參數(shù)、操作參數(shù)、液相物性參數(shù)等3個(gè)角度對(duì)GLCC溢流阻力系數(shù)進(jìn)行預(yù)測(cè)，平均相對(duì)誤差小于15%，將相似理論與人工神經(jīng)網(wǎng)絡(luò)相結(jié)合是預(yù)測(cè)管柱式氣液分離器分離性能的有效方法。

(3) 本研究不足之處在于用于檢驗(yàn)?zāi)Ｐ偷臉颖据^少，后續(xù)會(huì)輔以試驗(yàn)，進(jìn)一步驗(yàn)證預(yù)測(cè)模型的適用范圍。