阿联酋阿布扎比哈利夫大学工程学院机械与核工程系

阿联酋阿布扎比纽约大学互动城市网络中心

离心泵是石油和天然气工业^[1-6]、供水^[7、8]、化学处理^[9]、废水管理^[10]、污水/渣浆处理^[11-13]、供热^[14-17]、灌溉^[18]、采矿^[19]和心脏移植/心脏手术^[20、21]等多个领域的命脉。它们的工作原理是将机械能转化为动能，从而促进有效的流体传输过程^[22]。然而，它们的性能决定了效率、可靠性和能耗，往往与复杂的运行环境相冲突^[23]。这些具有挑战性的环境包括非线性水力现象、波动的运行工况和外部干扰，所有这些都需要开发创新策略，以优化泵的运行。

为此，过去15年来，人们在离心泵的优化方面做出了巨大的努力。启发式方法经常用于离心泵的优化。这方面的杰出作品包括：复杂并联泵站的遗传优化和实验验证^[24]、利用人工蜂群算法对泵叶轮进行数值形状优化^[25]、多目标粒子群优化^[26]以及利用神经网络和遗传算法进行的基于pareto的多目标优化研究^[27]。如果只考虑一个单一目标来设计离心泵显然是不合适的。因此，优化应考虑多目标。这通常被称为多目标优化。例如，选择堵塞、水力效率和汽蚀数作为设计叶轮的目标函数，以减少流动再循环和汽蚀^[28]。为了提高泵的性能，还对叶轮的形状进行了优化^[29]。Kriging元模型被认为是最近流行的数值方法之一，是离心泵多目标优化的首选^[30]。在许多多目标优化研究中，计算流体动力学（CFD）在数据生成方面发挥了重要作用。另一方面，实验方法通常用于验证目的。为了获得最佳的泵几何形状，需要采用不同的优化方法。正交法是统计学的一个重要分支，被广泛应用于工业生产和实验中，通过与 CFD 相结合，正交法已成为优化泵几何形状的首选工具。代用模型^{[31, 32]}和多层神经网络^{[33, 34]}是该领域首选的其它方法。与工业用离心泵优化有关的例子不胜枚举，但不应回避的是，这一领域并不仅限于这些目的。其中一个有趣的优化应用是针对微型儿科泵，以消除对心脏至关重要的不良泄漏^{[32, 35]}。

作为离心泵各种优化方法和目标函数的替代方案，机器学习已成为改变游戏规则的工具，为提高离心泵的性能提供了一条新途径^[36-38]。机器学习算法利用历史数据和实时测量数据，利用这些输入来开发优化关键运行工况（如泵转速、叶轮几何形状和流量控制策略）的模型。它们为泵控制系统带来了适应性，根据对不断变化的环境的分析，提供可持续优化泵运行的自适应控制策略^[39-41]。这种动态方法为提高效率、延长设备寿命和显著降低能耗铺平了道路，共同提高了工业成果^[42]。

此外，机器学习就其本质而言，突破了传统泵设计和控制方法的固有限制，有助于提高离心泵的性能和故障检测^{[2, 43-46]}。它否定了过于简化的模型和假设、处理大量数据、识别关键特征，并提取可能被忽视的见解。机器学习算法从历史数据中学习，以破译输入参数与泵性能之间的模式和相关性，从而做出更准确的预测，并加深对潜在物理现象的理解。

这方面的一个重要贡献是实施了强化学习算法，使泵能够迭代学习最优控制策略。这种基于反馈的学习使泵能够自主修改其行为以达到运行目标，从而提高效率和响应能力^[47]。

离心泵内的流动错综复杂，以高粘度、湍流效应和大量的Coriolis力为特征，增加了其设计和优化过程的复杂性。事实证明，机器学习与计算流体动力学（CFD）技术相结合的最新进展有利于解决涡轮机械中的这些设计挑战。这些技术尤其适用于在单一求解域内处理叶轮与扩散体之间复杂的相互作用，从而改进离心泵的设计。

我们的研究依赖于这一科学进展，重点是利用先进的机器学习和CFD技术来优化离心泵的性能。我们扩展了以前的研究，主要针对最大化效率和最小化必需净正吸入压头（NPSHr）。相反，我们的工作旨在最大限度地提高压差 ∆P，并消除叶轮中的反向流动，从CFD的角度提供快速解决方案。

我们采用了一种综合方法，根据相对扩散体叶片角度α_dif、扩散体叶片数量 Z_d、叶轮叶片数量 Z_i和叶轮包角α_wrap等参数修改泵的几何形状。在本研究中，我们主要关注叶轮和扩散体叶片的方向。叶轮直径保持不变，但随着不同包角的变化，出口角会发生变化（扩散体叶片中心保持固定，但通过围绕固定的扩散体中心旋转扩散体角叶片，可提供可变的入口和出口扩散体角。因此，所选的设计参数实质上提供了不同的入口和出口角度）。我们的研究以其独特的深度学习方法而闻名，该方法使用这些参数集成了基于叶轮-扩散体匹配的离心泵CFD解决方案 - 据我们所知，这是一种以前从未探索过的方法。

本文介绍了一个经验模型，该模型通过对这些参数的693种组合进行数值模拟得出，以优化相对速度角和压头。这些模拟的数据点作为深度学习模型的输入，用于预测压头和相对速度。我们还对这些数据进行了探索性数据分析，并提出了研究结果。通过这项研究，我们旨在建立压头和相对速度角之间的显著相关性，从而推动离心泵设计的未来工程工作。

首先，我们介绍了为获取必要的数据而进行的数值模拟。这些模拟涉及693种关键设计参数的不同组合- 相对扩散体叶片角α_dif、扩散体叶片数量Z_d、叶轮叶片数量Z_i和叶轮包角α_wrap - 作为我们研究的基础。这些模拟的输出为我们提供了压头和相对速度角的数据，这些数据对于优化离心泵的性能至关重要。

数据采集完成后，我们将对模拟结果进行广泛的探索性数据分析（EDA）。这一步骤对于我们理解数据结构、识别变量之间的模式和关系至关重要。通过对数据进行可视化处理和总结，我们力求获得能够进一步指导我们的预测建模工作的见解。

在EDA之后，我们介绍了利用数值模拟所获数据的深度学习模型。这一先进的机器学习模型用于预测离心泵性能的关键性能指标压头和相对速度角。通过从数值模拟生成的大量数据中学习，该模型旨在提供准确的预测，并更深入地了解设计参数与泵性能之间的关系。

随后，我们介绍了为预测压头和相对速度角而进行的相关性分析。在此，我们旨在揭示压头和相对速度角的任何显著相关性，这将有助于未来的工程设计和优化工作。

最后，本文得出结论，总结了我们的发现，讨论了其影响，并为该领域的未来研究提出了方向。本节旨在总结研究成果，并使人们清楚地了解研究的意义和未来的潜在应用。