CN113723011A - 一种高温混合气体红外辐射特性快速计算方法 - Google Patents
一种高温混合气体红外辐射特性快速计算方法 Download PDFInfo
- Publication number
- CN113723011A CN113723011A CN202111059833.1A CN202111059833A CN113723011A CN 113723011 A CN113723011 A CN 113723011A CN 202111059833 A CN202111059833 A CN 202111059833A CN 113723011 A CN113723011 A CN 113723011A
- Authority
- CN
- China
- Prior art keywords
- radial basis
- basis function
- training
- neural network
- absorption coefficient
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 82
- 230000005855 radiation Effects 0.000 title claims abstract description 53
- 238000012549 training Methods 0.000 claims abstract description 109
- 238000004364 calculation method Methods 0.000 claims abstract description 92
- 238000010521 absorption reaction Methods 0.000 claims abstract description 80
- 238000013528 artificial neural network Methods 0.000 claims abstract description 80
- 238000003062 neural network model Methods 0.000 claims abstract description 9
- 238000012360 testing method Methods 0.000 claims abstract description 5
- 230000003595 spectral effect Effects 0.000 claims description 68
- 210000002569 neuron Anatomy 0.000 claims description 49
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Chemical compound O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 45
- 230000008569 process Effects 0.000 claims description 13
- 238000001228 spectrum Methods 0.000 claims description 13
- 238000005192 partition Methods 0.000 claims description 10
- 239000000203 mixture Substances 0.000 claims description 8
- 238000000658 coextraction Methods 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 6
- 239000000126 substance Substances 0.000 claims description 6
- 238000005315 distribution function Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 230000007547 defect Effects 0.000 abstract description 2
- 238000011156 evaluation Methods 0.000 abstract 1
- 229910002092 carbon dioxide Inorganic materials 0.000 description 19
- 238000012886 linear function Methods 0.000 description 5
- 238000001514 detection method Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 3
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000035939 shock Effects 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 230000007704 transition Effects 0.000 description 2
- 238000002834 transmittance Methods 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000001569 carbon dioxide Substances 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000000243 solution Substances 0.000 description 1
- 238000004611 spectroscopical analysis Methods 0.000 description 1
- 239000012086 standard solution Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/08—Fluids
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/08—Thermal analysis or thermal optimisation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Evolutionary Biology (AREA)
- Geometry (AREA)
- Computer Hardware Design (AREA)
- Medical Informatics (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明提供一种高温混合气体红外辐射特性快速计算方法,包含步骤:S1、选取径向基神经网络的输入变量、输入变量空间及输出变量;S2、在输入变量空间内选取样本点,构建样本集A;S3、基于样本集A,构建训练集M;S4、基于训练集M,训练径向基神经网络,生成待评估的高温混合气体吸收系数快速计算模型;S5、对待评估的高温混合气体吸收系数快速计算模型进行精度和效率测试评估。本发明针对现有技术的不足,将径向基神经网络模型引入高温混合气体辐射特性计算领域,提供了一种新思路;同时,采用改进的自适应聚类方法,优化径向基函数宽度和中心,提高了算法的精度,并相对于传统逐线法,降低了计算复杂度,计算效率更高,具有较好的实用性。
Description
技术领域
本发明涉及高超声速飞行器热防护设计、尾焰红外辐射特性计算技术领域,具体涉及一种高温混合气体红外辐射特性快速计算方法。
背景技术
高超声速飞行器的红外辐射特征是红外探测设备对飞行器进行探测、识别、跟踪、告警的重要特征依据之一,也是火箭和飞行器热防护设计的重要参考之一。喷焰以及高超声速飞行器激波层的红外辐射特性本质是由气体组分发生一系列的复杂的物理化学和辐射跃迁过程,其中气体分子(水蒸气和CO2)发生振动转动跃迁产生红外波段的辐射。气体辐射特性是红外辐射信号的前提和必经环节。随着探测目标的多样化、高速化,对红外预警系统探测与识别的时效性带来了更高的挑战,对高温混合气体的红外辐射特性的计算速度和精度提出了更高的要求。
近年来,多种提高气体分子吸收系数的计算方法得到了发展,不同种类的辐射特性参数计算方法,如逐线法和窄谱带模型法,是在不同水平上对一定光谱分辨率的气体辐射特性的近似。其中逐线法具备较高的光谱分辨率,一般在0.0002~0.02cm-1之间,但是该方法因其较高的精度和庞大的计算量,故一般作为数值计算的标准解;窄谱带模型法的光谱间隔尺度一般为5~25cm-1;对于整体模型常将整个光谱作为一个间隔,认为辐射特性参数是常数,即灰气体。
已有文献《用LBL和SNB模型计算一维平面封闭内气体热辐射传输,国际传热传质杂志2011,54:4736-4745》利用LBL(Line by Line Model,逐线)模型和SNB(StatisticalNarrow Band,统计窄谱带)模型采用不同数据库计算一维气体辐射问题的结果进行对比,对比结果可以看出使用高分辨率的数据库HITEMP-2010(High Temperature MolecularSpectroscopic Database-2010,高温分子光谱数据库-2010)的LBL模型的结果吻合的最好,说明逐线法是最精确的基准性模型,但是逐线法需要对每条谱线叠加处理,精度高但计算量大。
已有文献《利用HITEMP-2010的Malkmus窄谱带模型参数库构建研究[J],红外与激光工程,2015,44(8):2327-2333.》开发了统计窄谱带参数计算程序,运用该程序,分别计算了单一气体和混合气体在不同传输路径中的光谱辐射强度,计算结果与实验数据比对结果良好。但是统计窄谱带方法光谱分辨率较低,精度较低。
专利CN110147584A公开了基于GPU(Graphics Processing Unit,图像处理单元)平台采用GPU加速逐线法模型计算气体辐射特性的方法,并未考虑洛伦兹增宽效应对谱线线型的影响。
专利CN107247024A公开了采用HITEMP数据库,利用洛伦兹展宽的逐线方式计算气体辐射光谱的方法,但是对于CO2气体并未采用谱线更多、支持温度至5000K的CDSD-4000(Carbon Dioxide Spectroscopic Databank-4000,二氧化碳光谱数据库)。
专利CN106886662A公开了一种舰船排气羽流的红外辐射特性的计算方法,针对尾焰的气体辐射特性计算采用单线组(SLG)近似法得到气体透过率,然而透过率只适用于积分式的辐射传输方程求解,辐射传输方程求解类型受限。
目前,尚无将径向基神经网络应用到高温混合气体红外辐射特性计算领域的做法,在专利CN108336739B中,公开了将径向基神经网络应用到了电力系统的概率潮流在线计算的方法,然而其在径向基神经网络训练过程中,并未采用优化算法确定隐含层径向基函数宽度,导致径向基函数太尖锐或者平坦,降低结果的精确度。
综上所述,上述气体辐射特性计算方法,未能充分考虑混合气体、谱线增宽类型、谱翼截断、配分函数精确度等影响因素,存在光谱分辨率和计算效率冲突的缺点;而在径向基神经网络应用方面,尚未有应用于高温混合气体辐射特性计算领域的先例。
发明内容
本发明的目的在于提出一种高温混合气体辐射特性快速计算方法,针对现有技术存在的不足,将径向基神经网络模型引入高温混合气体辐射特性计算领域,提供了一种新思路;同时,采用改进的自适应聚类方法,优化径向基函数宽度和中心,在保证计算精度的同时,降低了计算复杂度,计算效率更高,具有较好的实用性。
为实现上述目的,本发明通过以下技术方案实现:
一种高温混合气体红外辐射特性快速计算方法,包含步骤:
S1、选取径向基神经网络的输入变量、输入变量空间及输出变量;
S2、在输入变量空间内选取样本点,构建样本集A;
S3、基于样本集A,构建训练集M;
S4、基于训练集M,训练径向基神经网络,生成待评估的高温混合气体吸收系数快速计算模型;
S5、对待评估的高温混合气体吸收系数快速计算模型进行测试评估。
优选地,步骤S1包含:
S13、选取高温CO2和水蒸气混合气体的光谱吸收系数κη为输出变量,其光谱分辨率为0.02cm-1,光谱吸收系数覆盖的波数范围为2000~2500cm-1。
进一步,步骤S2包含:
进一步,步骤S3包含:
S31、获取CO2和水蒸气的谱线信息:
S32、初始化q=1;
其中,χw为基频频率;gw为与χw相对应的简并度;c为光速;h为普朗克常数;K为玻尔兹曼常数;B为转动常数;
设置谱翼截断条件为谱线半宽的2倍,计算公式为:
其中,NA为阿伏伽德罗常数;R为理想气体常数;
S38、将Xq和κηq′加入训练集M,判断是否完成样本集A中全部样本点的计算:
否,q=q+1,返回S33输入下一样本点;
是,退出迭代,训练集M生成完毕。
进一步,步骤S4包含:
S41、构造径向基神经网络结构,确定训练方法;
S42、基于训练集M和径向基神经网络的训练方法,开始径向基神经网络训练。
进一步,步骤S41包含:
S411、构造径向基神经网络三层前向型网络结构:
第二层为隐含层,根据径向基神经网络的特点,每个隐含层神经元节点由一个径向基函数构成,隐含层的神经元节点数目与训练集M中的训练点的数量相同;
第三层为输出层,高温CO2和水蒸气混合气体的光谱吸收系数κη为输出变量,输出层的每个输出值由隐含层各神经元的输出值加权得到;输出层的神经元节点数目为1;
S412、确定径向基神经网络训练方法为:
训练中,将训练集M中的样本集A作为输入层的输入变量,真实吸收系数集合κη′={κηj′}(j=1,2,3...y)作为输出层的输出变量真实值;输入层到隐含层通过径向基函数连接,而径向基函数主要由径向基函数宽度σ和径向基函数中心C两个参数确定,隐含层到输出层通过两层之间的连接权值ω连接,径向基神经网络的训练过程就是确定径向基函数宽度σ、径向基函数中心C和连接权值ω三个参数的过程;
训练方法为,采用本发明提出的改进的自适应聚类算法,迭代计算σ、C和ω三个神经网络参数,当输出变量预测值与输出变量真实值均方根误差最小时,生成神经网络参数,从而得到精度较高的高温混合气体光谱吸收系数快速计算模型。
进一步,步骤S42包含:
S421、初始化径向基函数宽度迭代变量t=1;
S422、基于径向基函数宽度迭代变量t,设置径向基函数宽度σt:
表达式为:
其中,dmax为全部Xj之间的最大欧式距离,dmin为全部Xj之间的最小欧式距离;
S423、基于径向基函数宽度σt,确定隐含层全部神经元的径向基函数中心C;
S424、基于径向基函数宽度σt和隐含层全部神经元的径向基函数中心C,求解隐含层全部神经元的径向基函数连接权值ω;
S425、基于σt、C和ω构建径向基神经网络,计算出输入变量所对应的输出变量预测值,生成结果对照集M':
S4251、建立结果对照集M':
M'中各个结果对照点的构成为{κη′、κη″},其中,κη″为预测吸收系数;
S4252、基于求解到的σt、C和ω,构建径向基神经网络模型;
S4253、基于所构建的径向基神经网络模型,将训练集M中的各训练点的输入样本值Xj作为输入变量,计算出对应的输出变量预测值-预测吸收系数κη,j″,将κη,j′和κη,j″加入M';
S426、基于M',计算预测吸收系数与真实吸收系数间的均方根误差,录入神经网络参数备选集V:
均方根误差计算公式为:
其中,RMSEt为σt对应的均方根误差;
如果t=1,则建立神经网络参数备选集V,V中的各备选点的结构为{σ、C、ω、RMSE};
将此时的径向基宽度σt、径向基函数中心C、连接权值ω和RMSEt组合成备选点{σt、C、ω、RMSEt},加入神经网络参数备选集V;
S427、判断是否t<11:
是,则t=t+1,返回步骤S422;
否,退出,此时生成完整的神经网络参数备选集V;
S428、基于神经网络参数备选集V,生成待评估的高温混合气体吸收系数快速计算模型:
在V的各备选点中,查找到RMSEt(1≤t≤11)的最小值,该最小值所对应的备选点的径向基宽度σ、径向基函数中心C和连接权值ω,即为最佳的神经网络参数;
此时,神经网络训练完成,基于最佳的神经网络参数构建了待评估的高温混合气体吸收系数快速计算模型。
进一步,步骤S423包含:
S4231、参数初始化,确定隐含层第一个神经元径向基函数中心:
初始化迭代变量p和j:p=j=1;
设置Cp=Xj,即设置第一个训练点的输入样本值X1为隐含层第一个神经元径向基函数中心C1;
S4232、输入M中各训练点的输入样本值Xj,确定隐含层其他神经元的径向基函数中心:
p=p+1;j=j+1;
判断是否||Xj-Cp-1||>σt:
是,则隐含层第p个神经元的径向基函数中心Cp=Xj,将Cp加入C的集合中;
否,则隐含层第p个神经元的径向基函数中心Cp=Xj-1,将Cp加入C的集合中;
S4233、判断是否已完成M中全部训练点的输入:
是,退出,隐含层全部神经元的径向基函数中心C确定完毕,C={Cp},(p=1,2,3...y);
否,返回步骤S4232,继续输入训练点的输入样本值Xj。
进一步,步骤S424包含:
S4241、输入M中各训练点,初始化j=1;
S4242、计算输入层第j个训练点的输入样本值Xj到隐含层第p个神经元的映射,计算公式为:
S4243、判断是否j=y:
否,则j=j+1,返回S4242,继续输入样本;
是,则退出;
至此,完成全部训练点的输入,得到:
S4244、基于通过Gauss-Seidel算法(高斯-赛德尔算法,是数值线性代数中的一种迭代算法,可用来求线性方程组解的近似值),计算隐含层神经元与输出层的连接权值ω={ωp},(p=1,2,3...y),计算公式为:
至此,三个径向基神经网络基本参数σt、C和ω都已明确。
进一步,步骤S5包含:
S51、将高温混合气体吸收系数快速计算模型与传统逐线法对比时间复杂度,记录计算时间,评估计算效率;
S52、将高温混合气体吸收系数快速计算模型与传统逐线法对比,评估计算精度,判断是否满足均方根误差<10-7:
是,则神经网络训练完毕,得到最终的高温混合气体吸收系数快速计算模型;
否,则增加样本点的采集密度,生成新的样本集A,返回步骤S3重新训练,直至计算精度达到要求。
综上所述,与现有技术相比,本发明提供的一种高温混合气体辐射特性快速计算方法,具有如下有益效果:
1、通过将径向基神经网络运用到气体红外辐射特性计算,为高温混合气体高分辨(0.02cm-1)光谱辐射特性计算提供一种新思路,可应用于发动机尾焰红外辐射信号计算、飞行器热防护等领域;
2、通过采用改进的自适应聚类方法,优化了径向基神经网络的径向基函数宽度和中心,所建立的径向基神经网络能够较好的表达输入变量和输出变量之间的非线性关系,适用于高温至4000K的混合气体,能够快速、准确地计算高温混合气体的红外辐射特性参数,从而解决了现有技术中高分辨率光谱(0.02cm-1)逐线计算效率较低的问题,具有较高的计算速度、准确性、鲁棒性,具有较强的实用性。
附图说明
图1为本发明的高温混合气体红外辐射特性快速计算方法的流程图;
图2为本发明的径向基神经网络模型的结构图;
图3为本发明的径向基神经网络训练的流程图。
具体实施方式
以下结合附图和具体实施方式对本发明提出的一种高温混合气体红外辐射特性快速计算方法作进一步详细说明。根据下面说明,本发明的优点和特征将更清楚。需要说明的是,附图采用非常简化的形式且均使用非精准的比例,仅用以方便、明晰地辅助说明本发明实施方式的目的,并非用以限定本发明实施的限定条件,故不具技术上的实质意义,任何结构的修饰、比例关系的改变或大小的调整,在不影响本发明所能产生的功效及所能达成的目的下,均应仍落在本发明所揭示的技术内容能涵盖的范围内。
需要说明的是,在本发明中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括明确列出的要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。
结合附图1~3,本实施例提供的一种高温混合气体红外辐射特性快速计算方法,主要原理为:
步骤1:设计径向基神经网络的输入变量、输入变量空间及输出变量:
步骤2:在输入变量空间内选取样本点,构建样本集;
步骤3:基于样本集,计算各样本点对应的输出变量真实值,构建训练集;
步骤4:设计径向基神经网络结构和训练方法,基于训练集训练径向基神经网络,通过计算比对输出变量真实值和输出变量预测值的均方根误差,生成待评估的高温混合气体光谱吸收系数快速计算模型;
步骤5:对待评估的高温混合气体光谱吸收系数快速计算模型进行测试评估,生成最终的高温混合气体吸收系数快速计算模型。
具体实现方法为:
如附图1所示,本实施例提供一种高温混合气体红外辐射特性快速计算方法,包含步骤:
S1、选取径向基神经网络的输入变量、输入变量空间及输出变量:
建立光谱吸收系数的神经网络的快速计算模型,选取混合气体温度T、混合气体总压力P、CO2气体摩尔分数和水蒸气摩尔分数为输入变量;选取T的取值范围为300~4000K,P的取值范围为0.01~1atm,的取值范围为0~1,的取值范围为0~1,上述4个参数范围构成输入变量空间;选取高温CO2和水蒸气混合气体的光谱吸收系数κη为输出变量,其光谱分辨率为ηresolution=0.02cm-1,光谱吸收系数覆盖的波数范围为2000~2500cm-1,即ηup=2500,ηdown=2000,其中,ηup为光谱吸收系数覆盖的波数范围上限,ηdown为光谱吸收系数覆盖的波数范围下限。
S2、在输入变量空间内选取样本点,构建样本集A:
在输入变量空间内,T每间隔100K设一个取值点,共38个取值点;P设{0.1、0.2、0.3、0.4、0.5、0.6、0.7、0.8、0.9、1}共10个取值点;和均设{0、0.3、0.7、1}4个取值点,并满足经排列组合, 共A(4,4)-4=20个取值点;
S3、基于样本集A,构建训练集M:
采用逐线法,将各样本点Xq作为输入变量,计算出与输入变量-各样本点Xq相对应的各个输出变量真实值-真实吸收系数κηq′,并构成真实吸收系数集合κη′,再由样本集A和真实吸收系数集合κη′组成训练集M,包含步骤:
S31、获取CO2和水蒸气的谱线信息:
其中,i为谱线序号;T0=296K。
S32、初始化q=1。
其中,χw为基频频率;gw为与χw相对应的简并度;c为光速;h为普朗克常数;K为玻尔兹曼常数;B为转动常数。
由于谱线翼较长处对吸收系数的贡献较小,所以设置谱翼截断条件为谱线半宽的2倍,计算公式为:
其中,FD为多普勒线型函数;FL为洛伦兹线型函数;
其中,NA为阿伏伽德罗常数;R为理想气体常数。
S38、将Xq和κηq′加入训练集M,判断是否完成样本集A中全部样本点的计算:
否,q=q+1,返回S33输入下一样本点;
是,退出迭代,训练集M生成完毕。
S4、基于训练集M,训练径向基神经网络:
S41、构造径向基神经网络结构,确定训练方法:
S411、构造径向基神经网络三层前向型网络结构,如附图2所示:
第二层为隐含层,根据径向基神经网络的特点,每个隐含层神经元节点由一个径向基函数构成,隐含层的神经元节点数目与训练集M中的训练点的数量相同;
第三层为输出层,高温CO2和水蒸气混合气体的光谱吸收系数κη为输出变量,输出层的每个输出值由隐含层各神经元的输出值加权得到;输出层的神经元节点数目为1。
S412、确定径向基神经网络训练方法为:
训练集M由各个训练点Yj={Xj、κηj′}(j=1,2,3...y)构成(其中,y为训练集M中训练点的总数量,为训练点Yj的输入样本值,κηj′为训练点Yj的输入样本值对应的真实吸收系数)。训练中,将训练集M中的样本集A作为输入层的输入变量,真实吸收系数集合κη′={κηj′}(j=1,2,3...y)作为输出层的输出变量真实值;输入层到隐含层通过径向基函数连接,而径向基函数主要由径向基函数宽度σ和径向基函数中心C两个参数确定,隐含层到输出层通过两层之间的连接权值ω连接,径向基神经网络的训练过程就是确定径向基函数宽度σ、径向基函数中心C和连接权值ω三个参数的过程。训练方法为,采用本发明提出的改进的自适应聚类算法,迭代计算σ、C和ω三个神经网络参数,当输出变量预测值与输出变量真实值均方根误差最小时,生成神经网络参数,从而得到精度较高的高温混合气体光谱吸收系数快速计算模型。
S42、基于训练集M和径向基神经网络的训练方法,开始径向基神经网络训练,如附图3所示,包含步骤:
S421、初始化径向基函数宽度迭代变量t=1。
S422、基于径向基函数宽度迭代变量t,设置径向基函数宽度σt:
表达式为:
其中,dmax为全部Xj之间的最大欧式距离,dmin为全部Xj之间的最小欧式距离;
S423、基于径向基函数宽度σt,确定隐含层全部神经元的径向基函数中心C:
S4231、参数初始化,确定隐含层第一个神经元径向基函数中心:
初始化迭代变量p和j:p=j=1;
设置Cp=Xj,即设置第一个训练点的输入样本值X1为隐含层第一个神经元径向基函数中心C1。
S4232、输入M中各训练点的输入样本值Xj,确定隐含层其他神经元的径向基函数中心:
p=p+1;j=j+1;
判断是否||Xj-Cp-1||>σt:
是,则隐含层第p个神经元的径向基函数中心Cp=Xj,将Cp加入C的集合中;
否,则隐含层第p个神经元的径向基函数中心Cp=Xj-1,将Cp加入C的集合中。
S4233、判断是否已完成M中全部训练点的输入:
是,退出,隐含层全部神经元的径向基函数中心C确定完毕,C={Cp},(p=1,2,3...y);
否,返回步骤S4232,继续输入训练点的输入样本值Xj。
S424、基于径向基函数宽度σt和隐含层全部神经元的径向基函数中心C,求解隐含层全部神经元的径向基函数连接权值ω:
S4241、输入M中各训练点,初始化j=1。
S4242、计算输入层第j个训练点的输入样本值Xj到隐含层第p个神经元的映射,计算公式为:
S4243、判断是否j=y:
否,则j=j+1,返回S4242,继续输入样本;
是,则退出;
至此,完成全部训练点的输入,得到:
至此,三个径向基神经网络基本参数σt、C和ω都已明确。
S425、基于σt、C和ω构建径向基神经网络,计算出输入变量所对应的输出变量预测值,生成结果对照集M':
S4251、建立结果对照集M':
M'中各个结果对照点的构成为{κη′、κη″},其中,κη″为预测吸收系数。
S4252、基于求解到的σt、C和ω,构建径向基神经网络模型。
S4253、基于所构建的径向基神经网络模型,将训练集M中的各训练点的输入样本值Xj作为输入变量,计算出对应的输出变量预测值-预测吸收系数κη,j″,将κη,j′和κη,j″加入M'。
S426、基于M',计算预测吸收系数与真实吸收系数间的均方根误差,录入神经网络参数备选集V:
均方根误差计算公式为:
其中,RMSEt为σt对应的均方根误差;
如果t=1,则建立神经网络参数备选集V,V中的各备选点的结构为{σ、C、ω、RMSE};
将此时的径向基宽度σt、径向基函数中心C、连接权值ω和RMSEt组合成备选点{σt、C、ω、RMSEt},加入神经网络参数备选集V。
S427、判断是否t<11:
是,则t=t+1,返回步骤S422;
否,退出,此时生成完整的神经网络参数备选集V。
S428、基于神经网络参数备选集V,生成待评估的高温混合气体吸收系数快速计算模型:
在V的各备选点中,查找到RMSEt(1≤t≤11)的最小值,该最小值所对应的备选点的径向基宽度σ、径向基函数中心C和连接权值ω,即为最佳的神经网络参数;
此时,神经网络训练完成,基于最佳的神经网络参数构建了待评估的高温混合气体吸收系数快速计算模型。
S5、对待评估的高温混合气体吸收系数快速计算模型进行测试评估,包含步骤:
S51、将高温混合气体吸收系数快速计算模型与传统逐线法对比时间复杂度,记录计算时间,评估计算效率。
S52、将高温混合气体吸收系数快速计算模型与传统逐线法对比,评估计算精度,判断是否满足均方根误差<10-7:
是,则神经网络训练完毕,得到最终的高温混合气体吸收系数快速计算模型;
否,则增加样本点的采集密度,生成新的样本集A,返回步骤S3重新训练,直至计算精度达到要求。
综上所述,本发明提供的一种高温混合气体红外辐射特性快速计算方法,通过将径向基神经网络运用到气体红外辐射特性计算,为高温混合气体高分辨(0.02cm-1)光谱辐射特性计算提供一种新思路,可应用于发动机尾焰红外辐射信号计算、飞行器热防护等领域;通过采用改进的自适应聚类方法,优化径向基函数宽度和中心,所建立的径向基神经网络能够较好的表达输入变量和输出变量之间的非线性关系,适用于高温至4000K的混合气体,能够快速、准确地计算高温混合气体的红外辐射特性参数,从而解决了现有技术中高分辨率光谱(0.02cm-1)逐线计算效率较低的问题,在保证精度的同时,该方法计算复杂度降低,具有更高的计算效率,可用于尾焰、高超声速激波层的红外辐射特性计算,具有较强的实用性。
尽管本发明的内容已经通过上述优选实施例作了详细介绍,但应当认识到上述的描述不应被认为是对本发明的限制。在本领域技术人员阅读了上述内容后,对于本发明的多种修改和替代都将是显而易见的。因此,本发明的保护范围应由所附的权利要求来限定。
Claims (10)
1.一种高温混合气体红外辐射特性快速计算方法,其特征在于,包含步骤:
S1、选取径向基神经网络的输入变量、输入变量空间及输出变量;
S2、在输入变量空间内选取样本点,构建样本集A;
S3、基于样本集A,构建训练集M;
S4、基于训练集M,训练径向基神经网络,生成待评估的高温混合气体吸收系数快速计算模型;
S5、对待评估的高温混合气体吸收系数快速计算模型进行测试评估。
4.如权利要求3所述的高温混合气体红外辐射特性快速计算方法,其特征在于,步骤S3包含:
S31、获取CO2和水蒸气的谱线信息:
S32、初始化q=1;
其中,χw为基频频率;gw为与χw相对应的简并度;c为光速;h为普朗克常数;K为玻尔兹曼常数;B为转动常数;
设置谱翼截断条件为谱线半宽的2倍,计算公式为:
其中,NA为阿伏伽德罗常数;R为理想气体常数;
S38、将Xq和κηq′加入训练集M,判断是否完成样本集A中全部样本点的计算:
否,q=q+1,返回S33输入下一样本点;
是,退出迭代,训练集M生成完毕。
5.如权利要求4所述的高温混合气体红外辐射特性快速计算方法,其特征在于,步骤S4包含:
S41、构造径向基神经网络结构,确定训练方法;
S42、基于训练集M和径向基神经网络的训练方法,开始径向基神经网络训练。
6.如权利要求5所述的高温混合气体红外辐射特性快速计算方法,其特征在于,步骤S41包含:
S411、构造径向基神经网络三层前向型网络结构:
第二层为隐含层,根据径向基神经网络的特点,每个隐含层神经元节点由一个径向基函数构成,隐含层的神经元节点数目与训练集M中的训练点的数量相同;
第三层为输出层,高温CO2和水蒸气混合气体的光谱吸收系数κη为输出变量,输出层的每个输出值由隐含层各神经元的输出值加权得到;输出层的神经元节点数目为1;
S412、确定径向基神经网络训练方法为:
训练中,将训练集M中的样本集A作为输入层的输入变量,真实吸收系数集合κη′={κηj′}(j=1,2,3...y)作为输出层的输出变量真实值;输入层到隐含层通过径向基函数连接,而径向基函数主要由径向基函数宽度σ和径向基函数中心C两个参数确定,隐含层到输出层通过两层之间的连接权值ω连接,径向基神经网络的训练过程就是确定径向基函数宽度σ、径向基函数中心C和连接权值ω三个参数的过程;
训练方法为,采用本发明提出的改进的自适应聚类算法,迭代计算σ、C和ω三个神经网络参数,当输出变量预测值与输出变量真实值均方根误差最小时,生成神经网络参数,从而得到精度较高的高温混合气体光谱吸收系数快速计算模型。
7.如权利要求6所述的高温混合气体红外辐射特性快速计算方法,其特征在于,步骤S42包含:
S421、初始化径向基函数宽度迭代变量t=1;
S422、基于径向基函数宽度迭代变量t,设置径向基函数宽度σt:
表达式为:
其中,dmax为全部Xj之间的最大欧式距离,dmin为全部Xj之间的最小欧式距离;
S423、基于径向基函数宽度σt,确定隐含层全部神经元的径向基函数中心C;
S424、基于径向基函数宽度σt和隐含层全部神经元的径向基函数中心C,求解隐含层全部神经元的径向基函数连接权值ω;
S425、基于σt、C和ω构建径向基神经网络,计算出输入变量所对应的输出变量预测值,生成结果对照集M':
S4251、建立结果对照集M':
M'中各个结果对照点的构成为{κη′、κη″},其中,κη″为预测吸收系数;
S4252、基于求解到的σt、C和ω,构建径向基神经网络模型;
S4253、基于所构建的径向基神经网络模型,将训练集M中的各训练点的输入样本值Xj作为输入变量,计算出对应的输出变量预测值-预测吸收系数κη,j″,将κη,j′和κη,j″加入M';
S426、基于M',计算预测吸收系数与真实吸收系数间的均方根误差,录入神经网络参数备选集V:
均方根误差计算公式为:
其中,RMSEt为σt对应的均方根误差;
如果t=1,则建立神经网络参数备选集V,V中的各备选点的结构为{σ、C、ω、RMSE};
将此时的径向基宽度σt、径向基函数中心C、连接权值ω和RMSEt组合成备选点{σt、C、ω、RMSEt},加入神经网络参数备选集V;
S427、判断是否t<11:
是,则t=t+1,返回步骤S422;
否,退出,此时生成完整的神经网络参数备选集V;
S428、基于神经网络参数备选集V,生成待评估的高温混合气体吸收系数快速计算模型:
在V的各备选点中,查找到RMSEt(1≤t≤11)的最小值,该最小值所对应的备选点的径向基宽度σ、径向基函数中心C和连接权值ω,即为最佳的神经网络参数;
此时,神经网络训练完成,基于最佳的神经网络参数构建了待评估的高温混合气体吸收系数快速计算模型。
8.如权利要求7所述的高温混合气体红外辐射特性快速计算方法,其特征在于,步骤S423包含:
S4231、参数初始化,确定隐含层第一个神经元径向基函数中心:
初始化迭代变量p和j:p=j=1;
设置Cp=Xj,即设置第一个训练点的输入样本值X1为隐含层第一个神经元径向基函数中心C1;
S4232、输入M中各训练点的输入样本值Xj,确定隐含层其他神经元的径向基函数中心:
p=p+1;j=j+1;
判断是否||Xj-Cp-1||>σt:
是,则隐含层第p个神经元的径向基函数中心Cp=Xj,将Cp加入C的集合中;
否,则隐含层第p个神经元的径向基函数中心Cp=Xj-1,将Cp加入C的集合中;
S4233、判断是否已完成M中全部训练点的输入:
是,退出,隐含层全部神经元的径向基函数中心C确定完毕,C={Cp},(p=1,2,3...y);
否,返回步骤S4232,继续输入训练点的输入样本值Xj。
10.如权利要求7所述的高温混合气体红外辐射特性快速计算方法,其特征在于,步骤S5包含:
S51、将高温混合气体吸收系数快速计算模型与传统逐线法对比时间复杂度,记录计算时间,评估计算效率;
S52、将高温混合气体吸收系数快速计算模型与传统逐线法对比,评估计算精度,判断是否满足均方根误差<10-7:
是,则神经网络训练完毕,得到最终的高温混合气体吸收系数快速计算模型;
否,则增加样本点的采集密度,生成新的样本集A,返回步骤S3重新训练,直至计算精度达到要求。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111059833.1A CN113723011B (zh) | 2021-09-10 | 2021-09-10 | 一种高温混合气体红外辐射特性快速计算方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111059833.1A CN113723011B (zh) | 2021-09-10 | 2021-09-10 | 一种高温混合气体红外辐射特性快速计算方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113723011A true CN113723011A (zh) | 2021-11-30 |
CN113723011B CN113723011B (zh) | 2024-04-26 |
Family
ID=78683248
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111059833.1A Active CN113723011B (zh) | 2021-09-10 | 2021-09-10 | 一种高温混合气体红外辐射特性快速计算方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113723011B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106960075A (zh) * | 2017-02-27 | 2017-07-18 | 浙江工业大学 | 基于线性直连法的径向基函数人工神经元网络的喷射器性能的预测方法 |
CN107271047A (zh) * | 2017-06-21 | 2017-10-20 | 沈阳航空航天大学 | 一种不均匀温度场的红外辐射能测试平台及测试方法 |
CN112414997A (zh) * | 2020-10-27 | 2021-02-26 | 北京工商大学 | 基于rbf神经网络的icp-aes重叠谱线分离方法 |
CN112504971A (zh) * | 2021-02-08 | 2021-03-16 | 湖北鑫英泰系统技术股份有限公司 | 一种变压器油中特征气体的光声光谱识别方法与装置 |
CN112595672A (zh) * | 2021-03-03 | 2021-04-02 | 湖北鑫英泰系统技术股份有限公司 | 一种基于深度学习的混合气体光声光谱识别方法与装置 |
-
2021
- 2021-09-10 CN CN202111059833.1A patent/CN113723011B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106960075A (zh) * | 2017-02-27 | 2017-07-18 | 浙江工业大学 | 基于线性直连法的径向基函数人工神经元网络的喷射器性能的预测方法 |
CN107271047A (zh) * | 2017-06-21 | 2017-10-20 | 沈阳航空航天大学 | 一种不均匀温度场的红外辐射能测试平台及测试方法 |
CN112414997A (zh) * | 2020-10-27 | 2021-02-26 | 北京工商大学 | 基于rbf神经网络的icp-aes重叠谱线分离方法 |
CN112504971A (zh) * | 2021-02-08 | 2021-03-16 | 湖北鑫英泰系统技术股份有限公司 | 一种变压器油中特征气体的光声光谱识别方法与装置 |
CN112595672A (zh) * | 2021-03-03 | 2021-04-02 | 湖北鑫英泰系统技术股份有限公司 | 一种基于深度学习的混合气体光声光谱识别方法与装置 |
Non-Patent Citations (1)
Title |
---|
孟夏莹: "高温气体辐射特性代理模型研究", 中国优秀硕士学位论文全文数据库 基础科学辑, pages 005 - 83 * |
Also Published As
Publication number | Publication date |
---|---|
CN113723011B (zh) | 2024-04-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Aires et al. | A regularized neural net approach for retrieval of atmospheric and surface temperatures with the IASI instrument | |
CN107561557B (zh) | 一种掩星探测仪大气成分反演方法 | |
CN109377440B (zh) | 一种基于多任务集成学习器的pm2.5和o3浓度协同预测方法 | |
Uluer et al. | Using the artificial neural network model for modeling the performance of the counter flow vortex tube | |
CN110032747A (zh) | 一种燃煤锅炉NOx排放在线测量方法 | |
Aires et al. | The" weight smoothing" regularization of MLP for Jacobian stabilization | |
Le et al. | Application of machine learning to hyperspectral radiative transfer simulations | |
Liu et al. | A spectral data compression (SDCOMP) radiative transfer model for high-spectral-resolution radiation simulations | |
CN110070004B (zh) | 一种应用于深度学习的近地高光谱数据扩展方法 | |
CN113723011A (zh) | 一种高温混合气体红外辐射特性快速计算方法 | |
CN114239397A (zh) | 基于动态特征提取与局部加权深度学习的软测量建模方法 | |
Shi et al. | Multi-layer solar radiative transfer considering the vertical variation of inherent microphysical properties of clouds | |
Zhang et al. | Application of swarm intelligence algorithms to the characteristic wavelength selection of soil moisture content | |
Cui et al. | An ultrafast and high accuracy calculation method for gas radiation characteristics using artificial neural network | |
Su et al. | A multi-domain compression radiative transfer model for the Fengyun-4 Geosynchronous Interferometric Infrared Sounder (GIIRS) | |
Liang et al. | A new type of non-polynomial based TENO scheme for hyperbolic conservation laws | |
CN115438566A (zh) | 一种基于全连接和rnn神经网络的大气辐射传输模型模拟方法 | |
García-Cuesta et al. | Multilayer perceptron as inverse model in a ground-based remote sensing temperature retrieval problem | |
Alekseenko et al. | An ultra-sparse approximation of kinetic solutions to spatially homogeneous flows of non-continuum gas | |
Dong et al. | A System For Hybrid 4DVar-EnKF Data Assimilation Based On Deep Learning | |
Liu et al. | Physics constraint Deep Learning based radiative transfer model | |
CN116451582B (zh) | 基于机器学习融合模型的火灾热释放速率测量系统和方法 | |
Shi et al. | Multiscale‐Band K‐Distribution Model for Molecules in High‐Temperature Gases | |
Du et al. | An Aeroengine Classification and Recognition Method Based on FTIR Measurement of Spectral Feature Vectors | |
Zuccolo et al. | Low order models for transonic afterbody aerodynamic characteristics |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |