基于数据驱动的旋流器颗粒自转快速预测方法

本发明涉及基于数据驱动的旋流器颗粒自转快速预测方法，通过欧拉‑拉格朗日耦合模型进行CFD数值模拟，结合PIV测量与高速摄像实验数据，采用卡尔曼滤波动态融合多源数据构建混合数据集。特征工程阶段通过PCA降维与自编码器将千维流场数据压缩至50维，加权融合离心加速度、剪切应力及涡量等关键物理量。创新构建多模型协同预测体系（BP/XGBoost/CATBoost/RF/AdaBoost/SVM），通过动态权重融合（误差倒数分配+异常降权）实现算法优势互补。采用分类型超参数优化（贝叶斯优化树模型深度/学习率，网格搜索SVM核参数），结合TensorRT量化（FP16）与ONNX转换，嵌入式部署推理速度达48ms。预测结果实时驱动PID控制器精准调节入口流量。通过数据驱动建模与可解释性分析，为旋流器优化控制提供高效解决方案。