22、机器学习在模拟模型及雷诺方程求解算法中的应用

机器学习在模拟模型及雷诺方程求解算法中的应用

1. 机器学习在流体膜轴承力建模中的应用

在模拟模型领域，研究了使用人工神经网络（ANN）对流体膜轴承力的传统数值模型进行近似建模的方法。这种近似模型在计算速度上至少比数值模型快一个数量级，但获取此类模型存在一些限制因素。

1.1 模型结构与性能

• 单ANN模型与三ANN组合模型对比 ：使用轨迹方法测试了两种不同的模型结构，即单ANN模型和由三个独立ANN组合的模型。三ANN组合模型在精度上优于单ANN模型，训练时间减少了26%，计算速度比参考数值模型快12倍。不过，在某些场景下，如对转子添加径向力时，其精度仍不足以获得转子动力学问题的充分解，因此需要进一步改进模型和/或数据结构。
  |模型结构|精度表现|训练时间变化|计算速度对比|
  | ---- | ---- | ---- | ---- |
  |单ANN模型|相对较差| - |比参考数值模型慢|
  |三ANN组合模型|较好|减少26%|比参考数值模型快12倍|

1.2 数据生成与模型训练的挑战

• 数据生成 ：由于轴承力与转子偏心度及其径向速度存在强烈的非线性依赖关系，需要初始数值模型生成大量数据，同时使用更密集的计算网格，这使得初始数据集的生成成为一项耗时的任务。
• 模型训练 ：训练近似模型也需要花费时间，为了在满足模型精度要求的同时减少时间成本，需要选择最有效的训练方法并优化其参数。此外，如果轴承参数在设计过程中发生变化，需要重