基于CNN-LSTM方法的液环泵非稳态流场预测分析

来源：农业机械学报杂志2026年第1期北京时间：

作者：张人会，唐玉，郭广强，陈学炳

单位：兰州理工大学,兰州理工大学,兰州理工大学,兰州理工大学,

摘要：为实现对液环泵内非稳态气液两相流场的快速预测，提出了一种基于深度学习的非定常周期性流场预测方法，可以实现样本集之后未来一定时间段内流场的高精度快速预测。通过对液环泵非稳态CFD结果获取的各时间步上的流场快照建立流场数据集，利用卷积神经网络(CNN)对流场快照进行特征提取，并结合长短期记忆神经网络(LSTM)构建时间序列神经网络预测模型，预测结果与CFD数值模拟结果进行对比，分析表明，CNN-LSTM模型能够实现对未来时刻非稳态流场的高精度预测；相态场、压力场、温度场的预测结果平均相对误差分别为1.37%、1.28%、1.78%；在利用LSTM预测壳体及进口压力脉动时，在样本集之后叶轮旋转360°时间上平均相对误差分别为1.61%、0.09%、0.20%。在样本空间外的预测集上，CNN-LSTM的预测性能优于本征正交分解(POD)方法，尽管在外延时间序列上的预测精度随时间增加逐渐下降，但在整个时间历程上保持了较好的预测精度，在预测内流场结果方面具有显著优势。

关键词：液环泵;非稳态流场;卷积神经网络;长短期记忆神经网络

基金资助：甘肃省重大专项项目(23ZDGH001)、中央引导地方专项项目(23ZYQA0320)、国家自然科学基金项目(51979135、52269021)和甘肃省教育厅双一流重点项目(057047)