智能测控与流体动力团队在流体机械智能预测与优化领域取得系列重要研究进展

近日，我校智能测控与流体动力团队周佩剑教授课题组在流体机械智能预测与优化领域取得系列重要研究进展。在中科院一区TOP期刊连续发表3篇论文，我校均为论文第一完成单位。

成果一：相关成果以A Heterogeneous Multi-Model Stacking Framework for Predicting Pump Complete Characteristic Curves为题，发表在国际期刊Energy。该期刊为中科院一区TOP期刊，硕士研究生林桂炫为论文第一作者，我校为论文第一完成单位，通讯作者和导师均为周佩剑教授，青年教师吴延昭为共同指导老师。

这项研究提出了一种名为IWOA-Stacking-Ridge的新型集成学习框架，旨在通过有限的实验数据精准预测抽蓄电站中水泵的全特性曲线。该模型首次将堆叠集成学习引入该领域，融合了NsKNN、RF、GPR三种异构基模型，以克服单一算法在处理复杂非线性水力数据时的偏差。研究团队利用改进的鲸鱼优化算法（IWOA）实现了基模型的智能筛选与超参数同步优化，并采用岭回归作为元模型来消除模型间的共线性干扰。实验结果显示，该框架在不同机型上均表现优异，其预测准确率超过0.949。相比于最优的单一模型，该集成方法显著降低了均方根误差与平均绝对误差，为水泵的设计优化及电力系统的安全稳定运行提供了高效且可靠的技术支撑。

成果二：该成果以Analysis and prediction of force characteristics of tubular turbine based on Hankel-DMD-LSTM为题，发表在国际期刊Engineering Applications of Computational Fluid Mechanics。该期刊为中科院一区TOP期刊，在工程计算流体力学领域具有重要学术影响力。青年教师吴延昭为论文第一作者，我校为论文第一完成单位。

该研究聚焦水轮机在临界空化工况下轴向力与径向力的复杂演化问题，针对传统分析方法在强非线性条件下预测精度不足、物理可解释性有限等瓶颈，创新性地提出了一种融合Hankel延迟嵌入、动态模态分解与长短期记忆神经网络的力特性分析与预测方法。研究结果表明，该方法能够准确提取水轮机力特性信号的主导频率特征，并显著提升短期预测精度。该成果充分展示了我校青年教师在流体机械非定常机理研究与智能预测方法方面的创新能力，为水电装备安全运行监测与智能运维提供了重要技术支撑。

成果三：该成果以Improving the energy performance of vortex pump based on whale optimization algorithm为题，发表在中科院一区TOP期刊Engineering Applications of Computational Fluid Mechanics。周佩剑教授为论文第一作者，我校为论文第一完成单位。

论文提出了一套基于Plackett–Burman筛选、拉丁超立方抽样、高斯过程回归代理与鲸鱼优化算法（WOA）的多工况多目标优化框架，并通过数值与试验验证在额定工况下实现扬程约增加1.94 m、效率提高约1.72%、加权效率提升约1.69%。研究还采用熵产生率与刚性涡量分析揭示内部能量损失降低的物理机制，为污水及含固液混合介质输送等工程场景的泵类节能改造提供了可推广的技术路径。

上述工作得到了国家自然科学基金面上项目和青年项目的资助。