陶伟伟,饶 磊
(河海大学机电工程学院,江苏 常州 213000)
分层流速控制水槽的模拟及智能化控制
陶伟伟,饶 磊
(河海大学机电工程学院,江苏 常州 213000)
设计了一种多路循环分层流速控制水槽,并建立了用于模拟分层控制的数学模型及实验平台。通过建立的实验平台,采用实验和模拟结合的方法研究喷口流速组合对水槽中水体流速分布形态的影响。针对同一种水流形态,通过改变其速度大小来观察水流形态的变化以及速度大小的分布和有效区域的范围变化。通过改变进水口初始速度,得到不同的水流形态。研究中模拟了常见的几种水流形态(直线型、上快下慢型和抛物线型),利用模拟所得各形态特征的数据,结合神经网络实现对实验平台智能化控制,从而实现对水槽的智能化控制。
分层控制;数值模拟;神经网络;智能化控制
在自然河流和湖泊中,水流对泥沙长期的侵蚀、搬运和堆积,创建了多样性的河槽,使得自然水体的流速、流态非常复杂。同时人类也在不断对河流湖泊进行改造,多样化的河槽形态特征使得水流在纵横断面以及水深方向上的流速分布不均匀[1],也使得基于不同河槽特征的水流形态模拟非常困难。因此,研发适用于模拟天然水体复杂水流的方法具有重要的应用价值。
目前,试验水槽依旧是水动力、水环境及水利工程科学研究领域的重要装置。如何在试验水槽中构建与目标水体相似的水流环境是研究工作开展的重要基础。目前的水槽类型主要分为水流量控制型和外部扰动型两种,水流量控制型水槽主要是通过调节水泵流率、尾门开启度等来控制水槽中的水流速度,这种水槽结构简单,对水流形态控制能力差,每个工况只能实现对一种流速的近似模拟,无法模拟具有复杂流动特点的目标水体[2]。外部扰动型水槽主要是通过在水槽水体边界上施加人工扰动,如采用旋浆式、活塞式、振荡式、吹风式外力激励水槽内水体,这些方法所构建的水流形态只模拟了自然水体水流形态的某一种特点,与真实的水流形态仍有较大的差别,在很大程度上影响了试验研究的准确性和精度。
本研究设计的水槽是可以实现分层流速控制的装置,能够比较全面地模拟自然界中复杂的水流形态,通过给定的不同水流速度参数来得到各种所需的水流曲线。基于不同的研究目的,水槽中可放置如底泥、水生植物、动物、船只模型等研究对象,因此可广泛应用于水利和水环境科学研究等相关领域。
实验装置主体是一个长95cm、宽30cm、高46cm的玻璃水槽。进水口和出水口按层状阵列式相对应地排列于水槽的两侧,每侧均布有9层、每层6个喷水管作为水的进、出口,喷水管为铜制管。进水口和出水口的流速可以调节。向水槽注水后,连接在出水端的循环泵将水送到进水端一侧实现水的循环利用,在进、出水端各安装有流量控制阀以调节进出口的水流速度,同时配有压力表观测进出水端水的压力值。在水槽中部安装有超声多普勒测速仪测定水流的速度,并实时地将不同深度的水流速度信息传输到计算机中[3]。实验装置如图1所示。
2.1控制方程
连续性方程:
式中:ux,uy,uz分别为速度矢量在x,y和z方向上的分量。
动量方程:
(μL+μt)▽2ui+ρg+Si+Fi
(2)
式中:ρ为水的密度;ui为速度;t为时间;p为施加在流体单位上的压力值;μL为分子粘度系数;μt为水的湍流粘度系数;g为重力加速度。
Si为广义源项:
式中:μL/a为粘性阻力系数,为惯性阻力系数,根据达西定律,这2个参数都可以通过实验而获得。
Fi为耦合源项:
式中:Cd代表水槽的综合阻力系数;Ai代表每个坐标面上的投影面积;ufi代表水槽水流流速。
k-ε模型方程可以表述为:
(5)
(6)
式中:k为湍动能;ε为湍动能耗散率;σk和σε分别为对应于k和ε的普朗特数,本文中σk=1.0,σε=1.3;C1ε和C2ε为经验常数,本文中C1ε=1.44,C2ε=1.92[24];Gk为平均速度梯度引起的湍动能。
Gk的计算式为:
(7)
从k-ε中可以发现,水的湍流粘度系数μt可以表述为:
式中:Cμ为经验常数,此处Cμ=0.09。
采用VOF法来描述自由表面空气和水流的两相运动。在VOF模型中,两相之间的界面是通过在一相或多相中求解连续性方程来追踪的,其连续性方程为:
式中:u,v,w为水槽中的水流速度的分量;F为水和空气的体积分数。在每个单元网格中,水和空气的体积分数之和始终为1。当F=0时,说明整个界面上只有空气存在;当F=1时,说明整个界面上充满了水;当0 2.2边界条件 在计算域内的流动是由边界条件驱动的。边界条件选取将对数值模拟过程中结果发散有着很大的影响。本文所建模型入口边界由上部的气体入口和左边入水口组成,气体入口设为PRESSUREINLET,左边进水口设为VELOCITYINLET,各层进水速度为v1~v9,右边出水口设为OUTFLOW,水槽的底面及四周边壁均为固壁边界,给定无滑移边界条件。此外底面设置一定的粗糙度及粗糙高度。初始时水槽中装有一定高度的水,水流从入口流入再到出口流出,通过体积分数迭代求解。边界条件图如图2所示。 为了获得有效的速度分布曲线,通过初步的模拟结果,选取中间位置处的水流速度作为基准,定义一个速度偏差ε=10%,并将与基准速度的误差小于ε的范围视为有效区域。 3.1采点测速 如图3所示,为更好地观测实验结果的水流形态,沿X方向每隔5cm标记一个位置,共19个,在各位置上取垂直于Z轴的若干平面(A,B,C,…),并沿Y向对应X位置取若干点,分别测出其速度值vzij,取其平均值作为该X位置对应该平面高度处的速度值,记为vzi。以位置1即A平面为例: 依此类推,可分别得到va2,va3,…的值,然后将实验测得的数据与模拟分析的结果进行对比。 3.2不同速度对水流形态的影响 为了研究速度的大小对模拟和实验结果以及有效区域的影响,在某种速度组合基础上分别将进水速度减半和加倍后来观察水流变化。速度变化后的比较结果如图4所示。 图4中两条虚线代表有效区域的划定范围,即以中间位置为基准左右各10%的边界线,在此范围内的曲线都认为是有效的,用户所需要的。从图中可以看出,在原有速度组合下的有效区域在25cm~80cm之间;当速度减半时,其有效区域为20cm~80cm;当速度加倍后,有效区域变为35cm~70cm。由此可见,速度增大会对有效区域有一定影响,速度变快,紊流作用距离加长,有效区域便随之减小。另外,当进水速度减半或者加倍时,有效区域水流速度会有所减缓或加快,但并不会随之减半或加倍。 3.3不同速度组合对水流形态的影响 之前给定的速度组合得到的曲线形态都呈现出上面快下面慢的一种趋势。为得到其他的形态,尝试将速度组合改变,观测速度分布情况。 a.给定入水口水流速度统一为0.1m/s时,其速度分布如图5所示。 从图中可以看出,在这种组合下呈现的是一种近似直线的水流形态,同样由两条虚线来划定有效区域,其有效区域为30cm~80cm。同上快下慢型的水流分布相比,此形态下的有效区域有所变化,可见速度分布不同时水流形态有所改变,速度分布也有所改变,有效范围亦随之发生变化。 b.将入口的水流速度设成不同的值,得到水流的速度分布如图6所示。 从图可中可以看出,该水流形态呈现出的是中间快两边慢的形态。图中两条虚线所划定有效区域,是剔除误差较大的曲线后得到的该组合的有效区域,为20cm~70cm,与之前的有效区域存在差别。可见水流形态的复杂性也影响到速度分布有效区域的范围,越复杂的水流其有效区域相对越小。 4.1BP神经网络建立 BP网络由输入层(Input Layer)、隐层(Hidden Layer)和输出层(Output Layer)组成。网络内通过神经元(节点)顺序单向连接,每一个连接弧连接2个神经元,并附有相应的一个权值作为前一层神经元对后一层神经元的影响,正的权值表示影响的增加,负的权值表示影响的减弱。神经网络的工作过程由2个阶段组成:第一个阶段是工作期,此时各连接权值固定,以求达到各计算单元的状态稳定;第二个阶段为学习期,此时各计算单元状态不变,各连接权值变化。对神经网络的训练是应用一系列训练样本,通过预先确定的过程(学习算法)调整网络的权值来实现的[6],训练神经网络的目的就是要能用一组输入矢量产生一组所希望的输出矢量。 本文采用一个3层的BP神经网络(Back Propagation NN),网络结构为9×15×9,即网络由输入层、隐层和输出层共3层组成[7],其中输入层有9个节点,隐层有15个节点,输出层有9个节点。输入层的9个节点是指模拟过程中读取的水流中间位置各层的速度值,输出层的9个节点是各入水管口需要输入的速度值[8]。 4.2网络仿真 利用构建好的BP神经网络对之前模拟的3种典型形态的数据进行拟合仿真,设置迭代次数为100次,学习率为0.1,以误差控制在0.000 04为目标。3种形态各20组共60组实验数据,选取其中的50组作为训练BP神经网络用,剩余10组用来测试BP神经网络的准确性。 网络经过一定时间训练后收敛,从图7收敛图中可以看出,利用所得数据进行拟合过程中,当迭代到53步时,误差达到目标要求,和预测情况基本一致。利用测试数据对网络进行测试,从图8测试结果中可以看出,建立的BP神经网络经过样本数据拟合训练之后,利用余下10组数据仿真得到的预测数据和原期望的数据值很接近,误差较小,可以认为网络具有了很好的预测能力。 本文首先建立和完善了分层控制的数学模型,之后再搭建实验平台,通过实验数据和模拟数据很好地证明了所设计水槽能够达到分层控制流速的效果,在一定程度上能够实现模拟自然界多种复杂水流情况的目的。通过实验和模拟可以发现:1)喷口间距使水流产生紊流,适当减小间距,将间距控制在5cm左右可有效改善紊流,水流效果较为理想。2)对于同一种入口速度分布,改变入口速度大小,水流形态基本不变,但会使其有效区域速度改变,并且有效区域速度不随入口水流速度成倍增长或减半。对于同一种组合,速度越大,有效区域反而会减小。3)不同的速度组合会得到不同的水流形态,水流形态越复杂,其有效区域相对越小,且由于受到重力的影响和边壁效应,水流不会呈现出非常理想的形态。4)本文通过建立BP神经网络,成功实现对水槽的智能化控制。在此基础上还可以建立一个友好的人机交互界面,通过计算机实现对水流的任意控制,客户只需给定预想得到的水流有效区域的速度值,便可得到所需要的理想曲线,为后续的研究工作提供了一个理想的实验平台。 [1] 沈永明,王亚玲,郑永红. 水环境两相分层流数值模拟[J].中国环境科学,1999,19(3):215-218. [2] 徐肇廷,沈国谨,王伟,等. 新型三维内波及分层流水槽系统[J].青岛海洋大学学报,2002,32(6):868-876. [3] WANG Ruijin, LIN Jianzhong. Numerical simulation of transverse diffusion in a micro-channel[J]. Journal of Hydrodynamics, 2004, 16(6): 651-657. [4] McGARRY M, DARREN L H. Numerical simulation of laminar mixing surfaces in converging microchannel flows [J]. Computer Science,2003,2668: 837- 846. [5] MAXAM A M, WEBBER D F. The influence of wind-driven currents on the circulation and bay dynamics of a semi-enclosed Reefal bay, Wreck bay, Jamaica [J]. Estuarine, Coastal and Shelf Science,2010, 87(4): 535-544. [6] Simmon Haykin.神经网络原理[M].北京:机械工业出版社,2004. [7] Recknagel F, Bobbin J, Whigham P, et al. Comparative application of artificial neural networks and genetic algorithms for multivariate time-series modeling of algal blooms in freshwater lakes[J].Journal of Hydroinformatics,2002,4(2):125-133. [8] Scardi M. Advances in neural network modeling of Phytoplankton primary production [J]. Ecological Modelling,2001,146:33-45. The intelligent control and simulation of cistern with hierarchical flow velocity TAO Weiwei, RAO Lei (College of Mechanical and Electrical Engineering, Hohai University, Jiangsu Changzhou, 213000, China) It introduces the cistern design with multiplex cycle and hierarchical flow control. It establishes the mathematical model and experimental platform for simulation of hierarchical control, analyzes the flow influence on the water flow velocity distribution at combined nozzle. For the same kind of flow pattern, it changes the velocity to observe the change of the flow pattern, the distribution of velocity. The experimental results show different flow pattern based on changing the inlet velocity. The simulation results show several kinds of flow pattern. The integration of the characteristics data from simulation and the neural network can build the intelligent control platform and realize the intelligent control of cistern. hierarchical control; numerical simulation; neural network; intelligent control 10.3969/j.issn.2095-509X.2015.05.009 2015-04-07 陶伟伟(1989—),男,江苏南通人,河海大学硕士研究生,主要研究方向为机械结构设计及模拟仿真。 TV131.3+9 A 2095-509X(2015)05-0038-063 模拟结果及参数影响
4 BP神经网络智能化控制
5 结束语