中文摘要：

掌握钝体绕流中尾迹的演化规律是实现对其有效控制与合理利用的基础，一直以来都是流体力学理论与应用研究的国际热点和难点。本项目拟将新型非平稳非线性自适应信号处理方法- - 集合经验模态分解（EEMD）与Hilbert变换相结合，对管道内变阻流比钝体尾迹动态演化特性进行辨识，旨在建立关于尾迹流场结构的客观认识。首先，拟采用管壁差压法从变阻流比钝体尾迹管壁上的多个取压孔同时获取差压，利用EEMD自适应分解得到差压信号在不同频段上的固有模态函数；然后对固有模态函数进行Hilbert变换，从得到的Hilbert谱中提取出时频熵、关联维数等谱特征；最后，通过建立这些谱特征的数值大小及分布与尾迹演化特性的关联，得到变阻流比钝体尾迹在管道内的演化规律。本项目将为深入认识管道内钝体绕流提供理论基础和科学依据，可望形成具有一定实际应用价值的流动信息识别方法，同时对其它复杂流动问题的分析也具有借鉴意义。

结论摘要：

本项目系统研究了基于EEMD-Hilbert谱方法的管道内变阻流比钝体尾迹演化特性及其应用。首先，采用数值模拟方法得到了管道内钝体绕流尾迹流态转变的临界雷诺数，分析了阻流比（β）和雷诺数（Re）对尾迹演化的影响。研究发现Re＜9时尾迹流动无分离，9≤Re＜70时尾迹为稳定的对称涡，Re＞70尾迹出现旋涡脱落；0.05≤β＜0.1时流态由无涡向对称涡转变的临界雷诺数相同，0.1≤β≤0.28时无涡向对称涡转变的临界雷诺数随阻流比而增大，相同雷诺数下对称涡分离点随阻流比增大而向下游移动，涡长变短；0.05≤β≤0.28时对称涡向涡街转变的临界雷诺数随阻流比而增大。 其次，研究了面向EEMD-Hlibert谱特征提取的高效线性压缩算法和智能优化建模方法。提出了对EEMD和Hilbert变换的大量时序数据进行高效压缩的新方法，根据时序数据的类型和压缩阈值，通过比较斜率上、下限的相对大小进行线性压缩。提出了样本择优和数据集调整方案以提高样本数据质量，引入传统网格、遗传算法和粒子群优化三种寻优方法对支持向量机建模参数进行寻优操作，同时引入主元分析方法对数据特征进行简化。 最后，将EEMD-Hlibert谱方法应用气液两相流流型识别。从钝体尾迹管壁差压信号的特征时间尺度出发，利用EEMD把不同时间尺度的固有模态函数分离出来，得到其EEMD-Hilbert谱，采用时频熵和关联维数作为尾迹演化特性辨识的谱特征，将其应用于管道内气液两相流流型的识别。研究发现气液两相流流型识别模型的训练精度为99.5%，测试精度高达99.1%，在测试集的识别中，只有泡状流的识别率93.3%相对较低，其他四种流型的识别精度都达到了100%。 本项目的研究发展了EEMD-Hlibert谱特征提取和建模理论，深入揭示了管道内变阻流比钝体所诱发的流动演化规律，为基于模态识别的气液两相流流型识别技术的应用提供了有益借鉴。基于本项目的研究成果，项目组已出版学术专著1部；在国际刊物上发表论文7篇，在国内核心刊物上发表论文3篇，被SCI收录6篇，被EI收录10篇；获得授权发明专利1项；培养硕士研究生9人，其中3人已顺利毕业，1篇硕士论文被推荐为湖南省优秀硕士学位论文。