为预测高流速条件下的流型并建立流型图,提出一种基于人工鱼群算法(artificial fish swarm algorithm,AFSA)优化的随机森林(random forest,RF)的机器学习模型,基于最优、简化参数出发,进行流型的智能识别。该模型成功地应用于竖直下降...为预测高流速条件下的流型并建立流型图,提出一种基于人工鱼群算法(artificial fish swarm algorithm,AFSA)优化的随机森林(random forest,RF)的机器学习模型,基于最优、简化参数出发,进行流型的智能识别。该模型成功地应用于竖直下降两相流流型的识别,通过不同分类模型以及优化方法对实验数据进行计算,发现AFSA-RF模型的流型识别精度与稳定性高于未优化的RF模型以及其他主流优化方法,对高流速区域的流型的识别成功率达到了90.91%,进一步验证了该预测模型的有效性。依托建立的模型,对现有流型图的适应范围进行了扩展,获得了适用于高流速条件下的流型图。展开更多
文摘为预测高流速条件下的流型并建立流型图,提出一种基于人工鱼群算法(artificial fish swarm algorithm,AFSA)优化的随机森林(random forest,RF)的机器学习模型,基于最优、简化参数出发,进行流型的智能识别。该模型成功地应用于竖直下降两相流流型的识别,通过不同分类模型以及优化方法对实验数据进行计算,发现AFSA-RF模型的流型识别精度与稳定性高于未优化的RF模型以及其他主流优化方法,对高流速区域的流型的识别成功率达到了90.91%,进一步验证了该预测模型的有效性。依托建立的模型,对现有流型图的适应范围进行了扩展,获得了适用于高流速条件下的流型图。
