本发明涉及流量测量，尤其涉及到一种基于深度学习的等径多孔孔板结构参数预测及优化方法。
背景技术：
1、计量是工业生产的眼睛，而流量计量是计量的重要组成部分，其与国民经济、国防建设和科学研究密切联系，特别是在能源危机、工业生产自动化程度愈来愈高的当今时代，流量计量的地位与作用日益重要。
2、等径多孔孔板作为一种新型非标节流件，是孔板流量计的核心元件。如图1所示，等径多孔孔板即孔板圆盘节流件上设计多个等径的圆孔，流体流经等径多孔孔板时其对流动具有整流作用，而不会像标准孔板一样导致下游产生较大旋涡，造成的永久压力损失比标准孔板降低三分之一左右，同时下游压力在较短距离就完全恢复，达到平衡整流的效果。
3、等径多孔孔板设计任务是根据满刻度流量、满刻度差压、管道内径和允许最大压力损失要求，迭代计算得到符合设计要求的最佳等径多孔孔板结构，包括等效直径比β、圆心圆直径h、孔数n和孔径d等参数，如图1所示。然而，等径多孔孔板结构比标准孔板复杂，缺乏系统化与流程化的等径多孔孔板结构参数与性能参数设计计算方法，严重限制了等径多孔孔板流量计的推广应用。得益于计算流体力学(cfd)的发展，目前可借助cfd仿真分析等径多孔孔板结构参数对流量计量性能的影响，得到不同雷诺数下等径多孔孔板的流出系数与压力损失系数，但cfd仿真适用于得到特定结构参数下等径多孔孔板的性能，且工作量极大，不能快速得到设计要求条件下的最佳等径多孔孔板。
技术实现思路
1、本发明的目的在于克服现有技术的不足，提供了基于深度学习的等径多孔孔板结构参数预测及优化方法，旨在快速计算满足设计要求的最佳等径多孔孔板的结构参数与性能参数，可以解决上述技术问题中的一个或多个。
2、本发明是通过以下技术方案实现的：
3、本发明公开了一种基于深度学习的等径多孔孔板结构参数预测及优化方法，其是基于两层等径多孔孔板的结构参数与性能参数独立性分析，通过cfd仿真得到不同结构参数等径多孔孔板在各工况下的性能参数，以此为基础将等径多孔孔板的结构参数与性能参数原始数据划分为训练集与验证集，训练和验证所构建深度学习模型，结合遗传算法得到符合设计要求的最优等径多孔孔板，主要分为如下步骤：
4、s100、两层等径多孔孔板参数独立性分析；
5、s200、大量cfd仿真得到等径多孔孔板性能参数；
6、s300、确定深度学习模型输入与输出参数，原始数据归一化处理后划分训练集与验证集；
7、s400、构建多层深度学习网络模型；
8、s500、训练与验证深度学习模型；
9、s600、结合遗传算法优化等径多孔孔板参数。
10、其中，在步骤s100中，分析和确定两层等径多孔孔板的独立结构参数和独立性能参数；其中，独立结构参数为管道内径d、等效直径比β、圆心圆直径比h和孔数n；独立性能参数为流出系数c和压力损失系数ζ。
11、在步骤s200中，通过cfd仿真已知密度ρ、粘度μ的物理特性的流体，设置不同雷诺数re、等效直径比β、孔数n和圆心圆直径比h条件仿真获得等径多孔孔板的差压δp与压力损失δω，通过公式可得流出系数c、压力损失系数ζ，即大量等径多孔孔板结构参数与性能参数的原始数据。
12、在步骤s300中，分析构建深度学习模型的输入层的输入参数和输出层的输出参数；其中，输入层的输入参数为雷诺数re、等效直径比β、孔数n和圆心圆直径比h，输出层的输出参数为流出系数c和压力损失系数ζ，确定样本水平，原始数据归一化处理，再将数据划分为训练集和验证集。
13、在步骤s400中，构建多层深度神经网络模型，在输入层与输出层之间连接两个以上隐藏层，每个隐藏层内设置k个神经元。
14、在步骤s500中，采用训练集数据训练上述多层深度神经网络模型，损失函数应用均方误差函数，终止条件为当损失值小于预先设定的损失阀值时向多层深度神经网络模型传入验证集数据，而且验证集数据通过多层深度神经网络模型计算得到的损失值小于预先设定的损失阀值平方。
15、在步骤s600中，结合遗传算法得到满足设计要求的最佳等径多孔孔板的结构参数与性能参数，即深度学习模型输入项即为种群，设定种群的个体数和参数范围后随机赋值，调用深度学习模型对种群所有个体进行预测，得到对应个数的预测值，然后采用遗传算法的适应度进行选择、交叉和变异等进化操作，得到适应度最高个体与优化目标比较，直至满足允许误差为止。
16、本发明公开了基于深度学习的等径多孔孔板结构参数预测及优化方法，与现有技术相比：
17、(1)本发明通过大量cfd仿真得到了不同测量工况与结构参数条件下等径多孔孔板的性能参数，为等径多孔孔板设计提供了数据库；
18、(2)本发明基于cfd仿真数据库构建了等径多孔孔板性能参数预测的深度学习模型，可以快速得到不同结构参数等径多孔孔板的性能参数；
19、(3)本发明融合深度学习模型与遗传算法可以快速寻找符合设计要求的最优等径多孔孔板结构并给出性能预测；
20、(4)本发明方法可实现等径多孔孔板的计算机程序化设计计算，解决了人工难寻优且工作效率低的问题，为定制等径多孔孔板流量计提供了快速且有效的设计计算方法。
1.基于深度学习的等径多孔孔板结构参数预测及优化方法，其特征在于，本方法是基于两层等径多孔孔板的结构参数与性能参数独立性分析，包括如下步骤：
2.根据权利要求1所述的基于深度学习的等径多孔孔板结构参数预测及优化方法，其特征在于，步骤s100中，分析和确定两层等径多孔孔板的独立结构参数和独立性能参数；
3.根据权利要求2所述的基于深度学习的等径多孔孔板结构参数预测及优化方法，其特征在于，步骤s200中，通过cfd仿真已知密度ρ、粘度μ的物理特性的流体，设置不同雷诺数re、等效直径比β、孔数n和圆心圆直径比h条件仿真获得等径多孔孔板的差压δp与压力损失δω，通过公式可得流出系数c、压力损失系数ζ，公式如下：
4.根据权利要求3所述的基于深度学习的等径多孔孔板结构参数预测及优化方法，其特征在于，步骤s300中，分析构建深度学习模型的输入层的输入参数和输出层的输出参数；
5.根据权利要求4所述的基于深度学习的等径多孔孔板结构参数预测及优化方法，其特征在于，步骤s400中，构建多层深度神经网络模型，在输入层与输出层之间连接两个以上隐藏层，每个隐藏层内设置k个神经元。
6.根据权利要求5所述的基于深度学习的等径多孔孔板结构参数预测及优化方法，其特征在于，步骤s500中，采用训练集数据训练多层深度神经网络模型，损失函数应用均方误差函数，公式为：
7.根据权利要求6所述的基于深度学习的等径多孔孔板结构参数预测及优化方法，其特征在于，步骤s600中，结合遗传算法得到满足设计要求的最佳等径多孔孔板的结构参数与性能参数，即深度学习模型输入项即为种群，设定种群的个体数和参数范围后随机赋值，调用深度学习模型对种群所有个体进行预测，得到对应个数的预测值，然后采用遗传算法的适应度进行选择、交叉和变异的进化操作，适应度公式：
