[发明专利]基于广义回归神经网络推测超声波流量传感器系数的方法

权利要求书

1.一种基于广义回归神经网络推测超声波流量传感器系数的方法，其特征在于，该方法包括以下步骤：

(1)利用CFD仿真模拟分析影响单弯管下游流场流速分布稳定性的因素，确定超声波传感器系数的影响参数值，包括流体的雷诺数、上游相对直管段长度和壁面粗糙度；

(2)将所述步骤(1)中确定的超声波传感器系数的影响参数值作为网络模型的输入层，将不同流体雷诺数下的流量传感器系数K作为网络模型的输出层，以构建广义回归神经网络GRNN；

(3)选取50组以上的影响参数值数据作为输入样本数据，并采用CFD仿真模拟计算相应的影响参数值下的K值，即为实际输出K值；

(4)将步骤(3)中的样本数据输入到步骤(2)构建的GRNN网络模型中对构建GRNN网络模型进行训练，直至输出的流量传感系数K与实际输出K值之间的相对误差最小，保存此时的GRNN网络模型；

(5)将需要进行流量传感器系数计算的影响参数值输入到所述步骤(4)保存的GRNN网络模型中，获得经由模型推导出的流量传感器系数K；

(6)对单弯管下游流场流速分布进行CFD仿真并计算传感器系数K值，将计算得出的K值与所述步骤(5)得出的K值进行比对，以检验GRNN网络模型推测K值的可靠性。

2.根据权利要求1所述的基于广义回归神经网络推测超声波流量传感器系数的方法，其特征在于，所述步骤(3)中，每组样本数据包括8-9个影响参数值数据样本。

3.根据权利要求1所述的基于广义回归神经网络推测超声波流量传感器系数的方法，其特征在于，所述步骤(4)中训练网络前的输入、输出训练数据进行归一化处理，将数据归一化到[0,1]区间内。

4.根据权利要求1所述的基于广义回归神经网络推测超声波流量传感器系数的方法，其特征在于，对所述步骤(5)中推导出的流量传感器系数K值进行反归一化处理。