基于人工神经网络模型的非球形颗粒曳力系数预测

发布时间：2018-01-02 03:17

本文关键词：基于人工神经网络模型的非球形颗粒曳力系数预测　出处：《工程热物理学报》2017年10期 　论文类型：期刊论文

【摘要】：本文通过人工神经网络预测方法对非球形颗粒气固曳力系数进行了预测及分析。首先比较了BP(Backpropagation)神经网络模型和RBF(Radical Basis Function)基神经网络模型对Pettyjohn和Christiansen等人实验工况中的结果进行了预测。结果表明,采用RBF方法预测非球形颗粒气固曳力系数误差较小,计算效率较高。同时,应用RBF基神经网络模型,对不同形状因子下的气固曳力系数进行了预测和分析。研究结果表明,人工神经网络可以用于非球形颗粒气固曳力系数的预测研究,本文研究结果为复杂形状颗粒气固曳力系数的预测提供了一种有效的手段。
[Abstract]:Based on artificial neural network forecasting method for non spherical particle drag coefficients were predicted and analyzed. This paper first compares the BP neural network model (Backpropagation) and RBF (Radical Basis Function) neural network model to predict the Pettyjohn and Christiansen et al in the experimental conditions. The results show that the RBF method is used to predict the non spherical particle drag coefficient error is small, high computational efficiency. At the same time, the application of RBF based neural network model, the different shape factor under gas-solid drag coefficient was predicted and analyzed. The results show that the artificial neural network can be used for prediction of non spherical particle drag coefficient, the results of this study provide a an effective method for the complicated gas-solid drag coefficient prediction.

【作者单位】：哈尔滨工业大学能源科学与工程学院;
【基金】：国家自然科学基金重大研究计划(No.91534112);国家自然科学基金委优秀青年基金(No.51322601)
【分类号】：O347.7
【正文快照】： 0引言固体颗粒在连续性流体中的输运是一种普遍现象。针对固体颗粒的输运过程,研究者们从实验和数值模拟两方面进行了大量的研究但是,研究多集中于球形颗粒,而实际工业过程中不可避免的会有非球形颗粒的存在。由于非球形颗粒形状因子的存在,其运动特性与球形颗粒有着较大的差

【相似文献】