CN115206448A - 一种基于ann模型的化学反应动力学计算方法 - Google Patents

Abstract

本发明涉及一种基于ANN模型的化学反应动力学计算方法，该计算方法包含预判式分类器、数据转化模块以及基于多层感知器的回归模型等计算模块；预判式分类器先对输入数据进行分类，再结合数据生成中对模拟过程的扰动，以及带SiLU激活函数的回归模型的使用，构建成高精度的计算方法。本发明用简捷有效的方法解决了燃烧化学反应动力学模拟领域多年的技术难题，实现了同时具备高精度和高计算速度的预测算法。

Description

一种基于ANN模型的化学反应动力学计算方法

技术领域

本发明属于燃烧的数值仿真领域与机器学习和深度学习领域的交叉，针对化学反应动力学的时序数值仿真，用一种基于ANN模型的化学反应动力学计算方法替代传统数值算法。

背景技术

为了对发动机做更好的优化，以实现节能减排，发动机内部燃烧的多维流体力学仿真计算是必不可少的。然而，高质量的优化往往需要大量的参数搜索，也就是大批量的多维燃烧模拟任务。基于传统数值仿真技术的多维燃烧模拟在计算速度上无法满足发动机优化设计的需求。其主要速度瓶颈在于化学反应动力学的计算。这就需要开发更高效的解法去完成每一时步的化学反应动力学的仿真。许多旨在解决该问题的技术，如机理简化法和列表法等，无法同时满足足够的精度和速度。而基于人工神经网络(ANN)的深度学习算法在理论上具备高精度高速度计算的潜力，特别是在用GPU的情况下。但是，为一个燃烧化学反应机理构建一个相应的神经网络模型并不容易，需要用特殊的模型架构和训练方法去设计和实现。

发明内容

为了获得高效的化学反应动力学ANN模型，获得在精度和速度上同时满足燃烧多维模拟的化学反应动力学模型，本发明提出了一种基于ANN模型的化学反应动力学计算方法，其核心技术为设置预判式分类器。

本发明解决其技术问题所采用的技术方案是：一种基于ANN模型的化学反应动力学计算方法，该计算方法包含预判式分类器、数据转化模块以及基于多层感知器的回归模型等计算模块；先是预判式分类器对输入数据进行分类，再结合数据生成中对模拟过程的扰动，以及带SiLU连续性激活函数的回归模型的使用，构建成高精度的计算方法。

具体步骤如下：

步骤(1)，用预判式分类器先对输入数据按当前各变量的状态值[c⁽ⁱ⁾,T⁽ⁱ⁾,P⁽ⁱ⁾]进行分类，再按输入数据各变量在该时步的变化量进行分类；以便后续根据所判定的类别选择对应的数据转化模块与回归模型；

步骤(2)，根据步骤(1)分类所指定的区段，使用该区段对应的数据转化模块，对各变量的状态值[c⁽ⁱ⁾,T⁽ⁱ⁾,P⁽ⁱ⁾]进行数据转化；

步骤(3)，根据步骤(1)分类所指定的区段，使用该区段对应的回归模型，以步骤(2)转化后的数据作为输入，经过该回归模型，预测与气体各个变量在该时步的变化值相关的一组数据作为输出；

步骤(4)，以步骤(3)的输出值结合当前时步开始时刻的各变量的状态值[c⁽ⁱ⁾,T⁽ⁱ⁾,P⁽ⁱ⁾]，再经过数据转化模块进一步数据转化，获得最终的[c⁽ⁱ⁺¹⁾,T⁽ⁱ⁺¹⁾,P⁽ⁱ⁺¹⁾]作为当前时步结束时刻的变量状态值。

进一步的，所述的步骤(1)中分类先按温度划分高低两区域，再分别以单时步的温度变化量划分高低两区域，共4个区域：高温高温度变化区、高温低温度变化区、低温高温度变化区、以及低温低温度变化区。

进一步的，预判式分类器的具体实现形式是借助一种机器学习算法，为多层感知器、支持向量机、线性判别分析、二次判别分析或决策树衍生模型中的任一种。

进一步的，每个基于多层感知器的回归模型有多个隐藏层，每个隐藏层使用SiLU作为激活函数。

进一步的，每个基于多层感知器的回归模型由受扰动的模拟数据训练而成；受扰动的模拟数据是这样生成的：用化学反应动力学数值做着火延迟的模拟，这个过程中对每一个时步的开始时刻的输入变量值先进行随机扰动，再使用扰动后的值进行该时步的模拟计算。

与现有技术相比，本发明的有益效果是：

1.由于使用了预判式分类器，本算法与其它ANN算法相比，更加适应极度突发性的着火过程，尤其当燃料在高压下的反应(其着火的过程极为剧烈)。这些着火剧烈的情况下(特别是高压下的反应)，不但放热反应过程极快，而且结束得也极快。这些情况下，普通的ANN算法无法准确把握开始和结束时刻的过渡。本发明中的预判式分类器将剧烈变化和非剧烈变化的情况巧妙分开，亦可将更细分的反应模式区进一步分开，以获得针对每类反应特征的子回归模型，减轻ANN模型来自刚性问题带来的训练难度。需要强调的是，不同于以往ANN技术中采用过的分类方式，本发明是首个按反应后的变化量去划分的，且需要一个额外的机器学习模型去预测区域，这是实现上述预测效果的关键技术。

2.相较于其它ANN算法，本算法的鲁棒性也要高一些，因为数据的覆盖空间既广而又有针对性，可以较好的平衡实际应用中泛化性和精确性两方面的需求。

3.此外，本发明可以快速的实施，容易上手，可以高效的构建模型，进而提高应用的效率和模型迭代速度。

4.本发明用简捷有效的方法解决了燃烧化学反应动力学模拟领域多年的技术难题，实现了同时具备高精度和高计算速度的预测算法。

附图说明

图1为概括性的模型流程示意图。模型输入为第i时刻的反应条件，输出为当前时步气体反应后的状态。

图2为常规设置下的具体模型流程图。

图3为批量的氢气高温着火延迟模拟中获得的训练数据和模型根据温度和放热率的区域划分示意图。T为温度，ΔT为温度变化。

图4为着火延迟的无扰动模拟与带扰动模拟示意图。

图5为单次着火延迟的各变量随时间变化曲线ANN模型与VODE的预测比较。

图6为带扰动数据所训练ANN模型预测的着火延迟与VODE的预测比较。

具体实施方式

以下结合附图和技术方案对本发明进行详细叙述。

一种基于ANN模型的化学反应动力学计算方法，与化学反应动力学ODE数值求解器的应用场景类似，本发明所构建的模型以t⁽ⁱ⁾时刻的组分浓度、温度和压强为输入[c⁽ⁱ⁾,T⁽ⁱ⁾,P⁽ⁱ⁾]，以下一时刻t⁽ⁱ⁺¹⁾的上述各变量值[c⁽ⁱ⁺¹⁾,T⁽ⁱ⁺¹⁾,P⁽ⁱ⁺¹⁾](或变化量)为输出，以获得下一时刻t⁽ⁱ⁺¹⁾反应气体的状态。这里时间间隔

Δt＝t⁽ⁱ⁺¹⁾-t⁽ⁱ⁾ (1)

为一个恒定值，在模拟的过程中保持不变。这样足够可以做准确的燃烧预测。

如图1图2所示，具体步骤如下：

步骤(1)，用预判式分类器先对输入数据按当前各变量的状态值[c⁽ⁱ⁾,T⁽ⁱ⁾,P⁽ⁱ⁾]进行分类，再按输入数据各变量在该时步的变化量进行分类；以便后续根据所判定的类别选择对应的数据转化模块与回归模型；

步骤(2)，根据步骤(1)分类所指定的区段，使用该区段对应的数据转化模块，对各变量的状态值[c⁽ⁱ⁾,T⁽ⁱ⁾,P⁽ⁱ⁾]进行数据转化；

步骤(3)，根据步骤(1)分类所指定的区段，使用该区段对应的回归模型，以步骤(2)转化后的数据作为输入，经过该回归模型，预测与气体各个变量在该时步的变化值相关的一组数据作为输出；

步骤(4)，以步骤(3)的输出值结合当前时步开始时刻的各变量的状态值[c⁽ⁱ⁾,T⁽ⁱ⁾,P⁽ⁱ⁾]，再经过数据转化模块进一步数据转化，获得最终的[c⁽ⁱ⁺¹⁾,T⁽ⁱ⁺¹⁾,P⁽ⁱ⁺¹⁾]作为当前时步结束时刻的变量状态值。

本发明中的预判式分类器算法是指将输入的数据根据当前它本身以及其对应的输出数据共同划分多个区间，在预测计算时用一个分类器在模型尚未进入回归计算前预判回归模型应得到的输出所在的区间。由于它以整个任务所要预测的输出作为分类根据，故称为预判式分类器。

它的意义在于：由于回归模型的每个输出变量的范围往往会覆盖很多个数量级，而每个数量级的取值都需要有很低的误差率，预判式分类器可以允许整个预测算法用不同的回归模型针对性地处理不同数量级的输出，以缓解单个回归模型的压力。这对于克服燃烧化学反应系统所体现的数学刚性，是个极其有效的解决方法。

预判式分类器的具体实现形式是借助一种机器学习算法，为多层感知器(MLP)、支持向量机、线性判别分析或二次判别分析中的任一种。本发明在实践中主要使用了多层感知器(MLP)作为机器学习模型去分类。如果使用多层感知器(MLP)，1或2个隐藏层就足够获得可靠分类。

预判式分类器首先按当前时刻(输入)变量状态值的大小直接选择一个区域(如根据温度分为高温和低温区)，然后再用该区域下所对应的训练好的机器学习分类模型选择预期输出(如根据温度分为高温度变化和低温温度变化区)所对应的区域。两者合在一起决定所属的最终类别，然后就可以根据该类别选择对应的回归模型和数据转化模块。模型需要通过已有的模拟生成的数据训练得到。

在通常的情况下，只需要根据温度这个变量的输入和输出来决定区间划分(在复杂情况下也可以考虑其它变量)。本发明在实践中的做法为：将变量空间分为如图3所示的四个区域：高温高温度变化区，高温低温度变化区，低温高温度变化区，以及低温高温度变化区。高低温的划分阈值的选取依靠手动调试，或者用聚类法获得。高低温度变化的划分阈值主要依靠手动调试。整个预测过程的每一时步的运算先根据输入条件进行区域分类，选择相应的多层感知器(MLP)回归模型和数据转化模块。其中高低放热的分类则依靠一个同样以反应前各个变量信息作为输入的多层感知器(MLP)分类器。根据模拟采样数据的分区，如图3所示为氢气高温燃烧的示例。

回归模型使用一个多层感知器来预测各个变量每时步后的变化量。每个多层感知器(MLP)回归器有3个200-2000大小的隐藏层。而每个隐藏层的激活函数为SiLU。此前有多项研究证明了该激活函数在某些深度学习的应用场景下比通常使用的ReLU具有优势。

每个基于多层感知器的回归模型由受扰动的模拟数据训练而成；受扰动的模拟数据是这样生成的：用化学反应动力学数值做着火延迟的模拟，这个过程中对每一个时步的开始时刻的输入变量值先进行随机扰动，再使用扰动后的值进行该时步的模拟计算。

多层感知器(MLP)的输入输出为经过处理后的数据。合理的数据转化本身也将起调整分布的作用。由于组分浓度特别是自由基浓度，在不同条件下的数量级差异非常大。首先对组分浓度做指数转化：

c'＝c^γ (2)

这里γ(0<γ≤1)是一个经验参数，常规情况取0.1。在此基础之上的变量值经过Gaussian正常化后作为多层感知器(MLP)的输入值，如等式(3)所示。

其中Norm1是所用到的正常化函数，

是正常化后的变量值。关于多层感知器(MLP)的输出值，则是上述经过指数转化后的各组分浓度在该时步的前后变化值，该变化值经过相应的Gaussian正常化后才能作为多层感知器(MLP)的输出。在模型做预测任务，即前馈运算时，多层感知器(MLP)回归器是直接输出这个正常化后的变化值，之后需要根据其正常化参数进行逆正常化得到Δc'⁽ⁱ⁾，然后与c'⁽ⁱ⁾相加，再经过与之前反向的指数变换，可以得到该时步反应后的组分浓度值。上述步骤具体为如下公式：

c'⁽ⁱ⁺¹⁾＝Δc'⁽ⁱ⁾+c'⁽ⁱ⁾ (6)

c⁽ⁱ⁺¹⁾＝(c'⁽ⁱ⁺¹⁾)^1/γ (7)

其中Norm₂是对输出值的正常化函数。

上述计算流程对于温度和压强来说同样适用，但在多层感知器(MLP)回归器前后的数据转化中无需进行指数变换，或者取γ＝1。

在获得从ODE求解器获得相关模拟数据后，每一个上述的模型都可以按照常规的深度学习训练方法进行，通常采用ADAM的参数优化方法。

如图4所示，模型训练数据来自大量的0-D均质混合定容反应器的着火延迟数值模拟，每一时步的反应前后的变量构成一个数据点。对于一个一般的高温燃烧反应模型，模拟的初始条件的设定为：以原始燃料和空气为反应物，温度在1000-1400K,压强在25-45atm,当燃比在0.7-1.5，单时步的大小为3x10-7s。每一次模拟的初始条件从上述工况范围所对应的均匀分布随机采样。

本研究首次采用带扰动数据作为模拟集，以提高模型的适用范围和泛化性。带扰动数据为带扰动的模拟所生成。在带扰动的模拟中，模拟过程中的每一时刻都将额外受到特定分布的随机扰动作为当前所要预测的时步的输入条件，以涵盖更大的变量空间，并使模型具备更好的稳定性。图4所示为在相同初始条件下单次着火延迟模拟生成的带扰动数据和无扰动数据的对比。带扰动数据的干扰算法为：

其中，x为原始反应变量，

为扰动后的反应变量，ε0和ε1为随机分布的相互独立的噪音变量，分别服从正态分布和对数正态分布，σ0，σ1分别为两个分布的参数。

对于每一组训练数据，由于在高压下，燃料最关键的反应阶段，即主要的放热时间极短，造成了数据的分布不平横，因此需要将不同时段反应数据分别进行处理。在数据生成上，每次着火延迟中温度增长快于一特定值的数据点(高放热区数据)将被全部保留，而从温度增长低于某特定值的所有数据(低放热区数据)中随机抽取2％保留到数据库中，以此控制不同反应区间的数据规模。带扰动数据从20,000以上个完整的着火延迟模拟中采集，最终可获得数千万个数据点供训练。

对于氢气的GRI3.0机理，我们用上述方法，构建了在高温高压的初始条件下(1000-1400K，25-45atm)的ANN求解器，并进行着火延迟计算，在T0＝1200K，P0＝25atm，φ＝1的初始条件下的时序预测结果和原始的VODE数值解的比较如图5所示。在不同初始值的情况下获得的着火延迟比较如图6所示。这些结果证明ANN求解器与VODE数值求解器的结果几乎完全一致。在使用CPU批处理的情况下，ANN求解器所耗的时间为VODE数值求解器的9％-30％，而如果使用GPU批处理，这个比值则能达到1％。因此，该算法能够在保证连续时序运算的高精度的同时，能够极大的提高运算效率，适用于诸多的燃烧多维流体力学模拟场景中。

所论述的具体实施例仅用于说明本发明的具体实施方式，而不限制本发明的范围。

Claims (6)

1.一种基于ANN模型的化学反应动力学计算方法，其特征在于，该计算方法包含预判式分类器、数据转化模块以及基于多层感知器的回归模型等计算模块；先是预判式分类器对输入数据进行分类，再结合数据生成中对模拟过程的扰动，以及带SiLU连续性激活函数的回归模型的使用，构建成高精度的计算方法。

2.根据权利要求1所述的一种基于ANN模型的化学反应动力学计算方法，其特征在于，具体步骤如下：

步骤(1)，用预判式分类器先对输入数据按当前各变量的状态值[c⁽ⁱ⁾,T⁽ⁱ⁾,P⁽ⁱ⁾]进行分类，再按输入数据各变量在该时步的变化量进行分类；以便后续根据所判定的类别选择对应的数据转化模块与回归模型；

步骤(2)，根据步骤(1)分类所指定的区段，使用该区段对应的数据转化模块，对各变量的状态值[c⁽ⁱ⁾,T⁽ⁱ⁾,P⁽ⁱ⁾]进行数据转化；

步骤(3)，根据步骤(1)分类所指定的区段，使用该区段对应的回归模型，以步骤(2)转化后的数据作为输入，经过该回归模型，预测与气体各个变量在该时步的变化值相关的一组数据作为输出；

步骤(4)，以步骤(3)的输出值结合当前时步开始时刻的各变量的状态值[c⁽ⁱ⁾,T⁽ⁱ⁾,P⁽ⁱ⁾]，再经过数据转化模块进一步数据转化，获得最终的[c⁽ⁱ⁺¹⁾,T⁽ⁱ⁺¹⁾,P⁽ⁱ⁺¹⁾]作为当前时步结束时刻的变量状态值。

3.根据权利要求2所述的一种基于ANN模型的化学反应动力学计算方法，其特征在于，所述的步骤(1)中分类先按温度划分高低两区域，再分别以单时步的温度变化量划分高低两区域，共4个区域：高温高温度变化区、高温低温度变化区、低温高温度变化区、以及低温低温度变化区。

4.根据权利要求2所述的一种基于ANN模型的化学反应动力学计算方法，其特征在于，预判式分类器的具体实现形式是借助一种机器学习算法，为多层感知器、支持向量机、线性判别分析、二次判别分析或决策树衍生算法中的任一种。

5.根据权利要求2所述的一种基于ANN模型的化学反应动力学计算方法，其特征在于，每个基于多层感知器的回归模型有多个隐藏层，每个隐藏层所使用的激活函数为SiLU。

6.根据权利要求2所述的一种基于ANN模型的化学反应动力学计算方法，其特征在于，每个基于多层感知器的回归模型由受扰动的模拟数据训练而成；受扰动的模拟数据是这样生成的：用化学反应动力学数值做着火延迟的模拟，这个过程中对每一个时步的开始时刻的输入变量值先进行随机扰动，再使用扰动后的值进行该时步的模拟计算。

Images