CN115762653B - 基于进化算法和深度学习的燃料燃烧机理优化方法 - Google Patents
基于进化算法和深度学习的燃料燃烧机理优化方法 Download PDFInfo
- Publication number
- CN115762653B CN115762653B CN202211415068.7A CN202211415068A CN115762653B CN 115762653 B CN115762653 B CN 115762653B CN 202211415068 A CN202211415068 A CN 202211415068A CN 115762653 B CN115762653 B CN 115762653B
- Authority
- CN
- China
- Prior art keywords
- data
- neural network
- chemical reaction
- pressure
- database
- 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.)
- Active
Links
Landscapes
- Combined Controls Of Internal Combustion Engines (AREA)
Abstract
本发明提出基于进化算法和深度学习的燃料燃烧机理优化方法。所述方法对现有化学反应机理在高压下的预测仿真功能进行拓展。首先提出深度学习模型，对现有的着火延迟时间进行了回归；然后在可验证情况下丰富了高压下和高温下的着火延迟时间，作为标定依据，最后综合得到的着火延迟数据和层流火焰速度数据进行了PLOG形式的化学反应机理的优化，提升化学反应机理在提升燃料燃烧机理的准确性，以及其在高温高压下的预测性能。
Description
技术领域
本发明属于燃烧学和人工智能技术领域，特别是涉及基于进化算法和深度学习的燃料燃烧机理优化方法。
背景技术
内燃机、固体火箭发动机、工业锅炉、燃气轮机燃烧室等大型涉及燃烧设备的设计和优化往往需要大量的前期仿真验证和实验验证。在仿真验证中，计算流体力学占了很重要的比重，同时是最有效的仿真手段。燃烧数值计算是计算流体力学中的重要组成部分，其中化学反应(燃烧)动力学机理是计算流体力学设计和验证工作中是否准确仿真计算流场分布、边界效应、传播特性、燃料的放热规律以及污染物的生成路径的关键因素。
随着电子计算机和激光技术的发展，给化学反应(燃烧)动力学研究提供了新的研究思路。激光诊断技术使燃烧参数的测量分辨率和准确性都有了很大的提高，为深入认识燃烧过程，建立和发展理论模型提供了实验基础。同时，随着计算机学科的发展，化学反应(燃烧)动力学机理的发展逐渐引入更多智能方法作为研究手段，算力的提升也逐渐降低了对化学反应动力学机理的精确性要求，这无疑也带来了精确性上的更高要求。
由于工业的发展，设计任务和设计工况逐渐变得复杂，在开展全新的高工况涉及燃烧工业设备的设计和优化中，必不可少的需要开展燃烧实验的研究作为化学反应机理的标定依据，从而得出准确的化学反应(燃烧)机理在火焰传播特性，燃烧排放特性等方面进行描述。以中大功率内燃机设计任务为例，大功率船用内燃机压燃工况往往能够达到2000K以上、100bar以上，而受到实验室设备、安全性等因素的限制，燃烧实验往往无法达到这样的工况要求，不具备高工况下的预测性能。随着计算机的发展，采用进化算法和深度学习的燃料燃烧机理预测方法提升燃料燃烧机理的准确性，以及其在高温高压下的化学反应机理的预测性能，是解决计算流体力学仿真受到燃料燃烧机理限制的重要手段。
发明内容
本发明目的是为了解决目前燃料燃烧实验数据少的问题，尤其是在工业所需要的高温高压情况下，提出了基于进化算法和深度学习的燃料燃烧机理优化方法。
本发明是通过以下技术方案实现的，本发明提出基于进化算法和深度学习的燃料燃烧机理优化方法，所述方法由深度学习算法和进化算法两个部分组成；其中深度学习算法用于预测高压情况下燃料燃烧的着火延迟时间数据，进化算法用于求解单目标多参数优化问题，优化燃料燃烧机理的参数；
所述方法具体为：
网络搜集获取燃料现有的着火延迟时间实验数据，组成原始数据库并进行预处理，去除误差大的数据；
对预处理后的原始数据进行扩充，将数据库分为多个工况，确定数据点大于等于4的工况进行曲线拟合数据扩充，最终得到数万个数据点，组成最终的数据库；
将数据库划分为训练集和验证集，其中训练集集中在低压和中压部分，数据量占比65％-75％，验证集为高压部分数据，数据量占比35％-25％；
利用训练集对神经网络进行训练，在神经网络中设置损失函数为自定义函数Elog；通过神经网络训练，当Elog小于预设值时输出训练的神经网络；
对上述神经网络进一步应用，拓展原始数据，将原始数据中高压下的数据进行扩充，并进行验证，根据可验证情况进行适当的扩充，最终得出原始数据占60％，预测高压数据占40％的组合数据，根据工程需求，结合层流火焰速度组成最终的组合数据，用于化学反应机理的优化；
在进化算法部分，搭建单目标多参数优化方法对选定的由PLOG参数形式搭建的化学反应动力学机理进行优化，通过优化，最终得出优化后的化学反应机理。
进一步地，选择多项式拟合作为扩充方法，由公式1即Arrhenius公式定义，反应速率求10次方根和温度的相反数成正相关；定义1000/T为自变量，着火延迟时间为因变量，执行多项式拟合；控制拟合残差平方和小于预设值，R平方高于预设值，在温度区间内均等的取许多个数据点并记录，最终得到数万个数据点，组成最终的数据库；
k＝ATbexp(-E/R^T) (1)。
进一步地，在神经网络中需要满足压力、着火延迟时间、温度和当量比的均匀分布。
进一步地，所述神经网络的输入层为归一化后的6个基本计算参数，包含燃料，O2，N2，AR的体积分数和温度、压力；设置隐含层节点数和层数，激活函数，优化方法，调试学习率，并确定最终的学习率。
进一步地，Elog定义见公式2，其中Pre为预测值，Act为实际值；当预测值越接近实际值时，log10(Prei/Acti)越趋近于0，且更有利于神经网络在绝对误差大的范围内快速的收束；
进一步地，在优化过程中，将决策变量即公式1中的变量A的变化范围下限和上限设置为原始数值合适倍数，根据不同优化目标即10bar以上的参数和1bar以上的参数，将优化参数的维度分别设置对应的参数量，设置合适的种群规模，定义优化目标为平均绝对误差，利用Cantera搭建零维理想模型和一维火焰模型仿真着火延迟时间和层流火焰速度结果和扩充后的数据库进行对比，调试得出上述参数的最终值。
进一步地，在得出优化后的化学反应机理之后进行层流火焰速度和反应组分的实验数据验证，在误差范围内验证最终优化机理的可靠性。
进一步地，建立层流火焰速度和反应组分的神经网络，进行充分预测，得出考虑更加全面的化学反应机理。
进一步地，根据燃料和中间产物的物性，建立半物理的神经网络模型，提升神经网络的预测精准度，同时提升神经网络拓展数据的性能，得出性能更优的燃料化学反应机理。
本发明的有益效果为：
(1)本发明提出了深度学习方法对燃料燃烧的着火延迟时间进行了预测，弥补了当前存在的高压情况下，燃料燃烧实验难以开展，实验数据缺失限制仿真发展的现状。
(2)本发明提出了新的损失函数，代替绝对误差的表达方式，并应用于神经网络的前馈过程和最终输出的判定，具有应用价值。
(3)本发明通过单目标多参数进化算法对PLOG反应进行优化，改善了燃烧机理的预测性能，增加了燃烧机理在高压下反应的计算、仿真的可靠性。
(4)本发明基于进化算法和深度学习的燃烧化学反应机理的研究可以适用于多数低碳零碳燃料如氨、甲醇、二甲醚等燃料。
附图说明
图1为本发明基于进化算法和深度学习的氨燃烧化学反应机理优化方法的流程图；
图2为应用实例中训练后的神经网络回归现有实验数据的效果及对应的Elog误差；
图3为应用实例中进化算法得出的平均绝对误差优化曲线。
具体实施方式
下面将结合本发明实施例中的附图对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明提出基于进化算法和深度学习的燃料燃烧机理优化方法，对现有化学反应机理在高压下的预测仿真功能进行拓展。首先提出深度学习模型，对现有的着火延迟时间进行了回归；然后在可验证情况下丰富了高压下和高温下的着火延迟时间，作为标定依据，最后综合得到的着火延迟数据和层流火焰速度数据进行了PLOG形式的化学反应机理的优化，提升化学反应机理在提升燃料燃烧机理的准确性，以及其在高温高压下的预测性能。
结合图1-3，本发明具体提出基于进化算法和深度学习的燃料燃烧机理优化方法，所述方法由深度学习算法和进化算法两个部分组成；其中深度学习算法用于预测高压情况下燃料燃烧的着火延迟时间数据，进化算法用于求解单目标多参数优化问题，优化燃料燃烧机理的参数，从而达到较好的预测效果；
所述方法具体为：
网络搜集获取燃料现有的着火延迟时间实验数据，组成原始数据库并进行预处理，去除误差大的数据；
由于原始燃烧数据不足以构成燃料燃烧数据深度学习训练库，需要通过数据拟合方法获取更多数据，对原始数据进行扩充。经过前期分析，压力对于着火延迟的影响力远小于温度和当量比，对数据库进行归类，忽略各个工况在实际操作时压力的误差值，并取相同工况压力的平均值作为常值，考虑着火延迟时间随温度变化的特性。
对预处理后的原始数据进行扩充，将数据库分为多个工况，由于数据点少于4时进行曲线拟合会产生较大的误差，确定数据点大于等于4的工况进行曲线拟合数据扩充，最终得到数万个数据点，组成最终的数据库；
选择多项式拟合作为扩充方法，由公式1即Arrhenius公式定义，反应速率求10次方根和温度的相反数成正相关；定义1000/T为自变量，着火延迟时间为因变量，执行多项式拟合；控制拟合残差平方和小于预设值，R平方高于预设值，在温度区间内均等的取许多个数据点并记录，最终得到数万个数据点，组成最终的数据库；
k＝ATbexp(-E/R^T) (1)。
考虑神经网络的预测性能需要满足压力、着火延迟时间、温度和当量比的均匀分布。
将数据库划分为训练集和验证集，其中训练集集中在低压和中压部分，数据量占比65％-75％，验证集为高压部分数据，数据量占比35％-25％，提升神经网络预测高压下着火延迟时间的可靠性。
利用训练集对神经网络进行训练，所述神经网络的输入层为归一化后的6个基本计算参数，包含燃料，O2，N2，AR的体积分数和温度、压力；设置隐含层节点数和层数，激活函数，优化方法，调试学习率，并确定最终的学习率。
在神经网络中设置损失函数为自定义函数Elog，Elog定义见公式2，其中Pre为预测值，Act为实际值；当预测值越接近实际值时，log10(Prei/Acti)越趋近于0，且更有利于神经网络在绝对误差大的范围内快速的收束；通过神经网络训练，当Elog小于预设值时输出训练的神经网络。
对上述神经网络进一步应用，拓展原始数据，将原始数据中高压下的数据进行扩充，并进行验证，根据可验证情况进行适当的扩充，最终得出原始数据占60％，预测高压数据占40％的组合数据，根据工程需求，结合层流火焰速度组成最终的组合数据，用于化学反应机理的优化；
PLOG反应是一种通过对数插值各种压力下的阿伦尼乌斯速率表达式进行参数化的压力相关反应，其中不同的压力值有对应的不同参数值，便于在不同压力下反映化学反应的状态。在现有化学反应机理研究的基础上进行了PLOG参数形式的搭建，然后分别进行优化。
在进化算法部分，搭建单目标多参数优化方法对选定的由PLOG参数形式搭建的化学反应动力学机理进行优化，即单个优化目标，多个平等中间变量的优化方法，在优化过程中，将决策变量即公式1中的变量A的变化范围下限和上限设置为原始数值合适倍数，根据不同优化目标即10bar以上的参数和1bar以上的参数，将优化参数的维度分别设置对应的参数量，设置合适的种群规模，定义优化目标为平均绝对误差，利用Cantera搭建零维理想模型和一维火焰模型仿真着火延迟时间和层流火焰速度结果和扩充后的数据库进行对比，调试得出上述参数的最终值。
通过优化，最终得出优化后的化学反应机理。在得出优化后的化学反应机理之后进行层流火焰速度和反应组分的实验数据验证，在误差范围内验证最终优化机理的可靠性。
本发明还可以建立层流火焰速度和反应组分的神经网络，进行充分预测，得出考虑更加全面的化学反应机理。
本发明还可以根据燃料和中间产物的物性，建立半物理的神经网络模型，提升神经网络的预测精准度，同时提升神经网络拓展数据的性能，得出性能更优的燃料化学反应机理。
实施例
下面结合附图与具体实施方式对本发明作进一步详细描述。
本应用实例的优化方法由深度学习部分和进化算法两个部分组成，基于进化算法和深度学习的氨燃烧化学反应机理优化方法的流程图如附图1所示。其中深度学习算法用于预测高压情况下的氨燃烧的着火延迟时间数据，进化算法用于求解单目标多参数优化问题，优化氨燃烧机理的参数，从而达到较好的预测效果。
首先获取氨燃料的着火延迟时间数据，组成原始数据库并进行预处理，去除误差较大的数据后，得到本应用实例中的155组着火延迟时间实验数据和211组层流火焰速度实验数据。
由于原始燃烧数据非常少，不足以构成氨燃烧数据深度学习训练库，需要通过数据拟合方法获取更多数据，对原始着火延迟时间数据进行扩充。经过前期分析，压力对于着火延迟的影响力远小于温度和当量比，对数据库进行归类，忽略各个工况在实际操作时压力的误差值，并取相同工况压力的平均值作为常值，考虑着火延迟时间随温度变化的特性。
根据以上描述，将数据库分为多个工况，由于数据点少于4时进行曲线拟合会产生较大的误差，最终确定数据点大于等于4的工况进行曲线拟合数据扩充。
扩充方法上，选择多项式拟合，由公式1即Arrhenius公式的定义，反应速率求10次方根和温度的相反数成正相关。定义1000/T为自变量，着火延迟时间为因变量，执行多项式拟合。经过分析，在本实施例中，控制拟合残差平方和小于0.001，R平方高于0.995，在温度区间内均等的取1000个数据点并记录，最终得到数万个数据点，组成最终的数据库。
进一步的，考虑神经网络的预测性能需要满足压力、着火延迟时间、温度、当量比的均匀分布。
将数据库划分为训练集和验证集，其中训练集集中在低压和中压部分，验证集为高压部分数据。在本实施例中，训练集占70％，压力小于60bar，验证集占30％，压力大于60bar，提升神经网络预测高压下着火延迟时间的可靠性。
在神经网络的设置上，根据工况的复杂情况，采用多层感知机进行训练，其中，输入层为归一化后的6个基本计算参数，包含燃料，O2，N2，AR的体积分数和温度、压力；在本实施例中，经过调试设置隐含层为三层，其中第一层为128个节点，其他的为256个节点，激活函数均设置为ReLU，选择优化算法为Adam，从0.001开始调试学习率，最终确定学习率为0.0001，输出层的激活函数设置为线性。设置损失函数为自定义函数Elog，Elog定义见公式2，其中Pre为预测值，Act为实际值。当预测值越接近实际值时，log10(Prei/Acti)越趋近于0，且更有利于神经网络在绝对误差较大的范围内快速的收束。通过神经网络训练，当Elog小于0.8％时输出训练的神经网络。最终得出神经网络的训练后的神经网络回归现有实验数据的效果及对应的Elog误差如附图2所示，神经网络预测效果满足本发明的要求。
同时对上述神经网络进一步应用，拓展原始数据，将原始数据组中高压下的数据进行扩充，并进行一定的验证，最终得出本实施例中原始数据占60％，预测高压数据占40％的组合数据，与211组层流火焰速度实验数据组合形成最终的数据，用于化学反应机理的优化。
PLOG反应是一种通过对数插值各种压力下的阿伦尼乌斯速率表达式进行参数化的压力相关反应，其中不同的压力值有对应的不同参数值，便于在不同压力下反映化学反应的状态。在现有化学反应机理研究的基础上进行了PLOG参数形式的搭建，然后分别进行优化。
本实施例中，在进化算法部分，搭建单目标多参数优化方法对选定的化学反应动力学机理进行优化。即单个优化目标，多个平等中间变量的优化方法。经过多次的提前实验，将决策变量A的变化范围下限设置为原始数值的1/100到1/100000，上限设置为100倍到100000倍，根据不同优化目标即10bar以上的参数和1bar以上的参数，将优化参数的维度分别设置对应的参数量，设置种群规模为10-500，定义优化目标为平均绝对误差，由零维模型仿真着火延迟时间结果和扩展后的数据库进行对比得出，调试得出上述参数的最终值。
通过优化，应用实例中进化算法得出的平均绝对误差优化曲线如附图3所示，本实施例中氨燃料化学反应机理的仿真平均绝对误差从37％降到了29.9％，最终得出优化后的化学反应机理，进一步的，进行层流火焰速度和反应组分的实验数据验证，在误差范围内验证最终优化机理的可靠性。
进一步的，可以建立层流火焰速度、反应组分的神经网络，进行充分预测，得出考虑更加全面的化学反应机理。
进一步的，可以根据燃料和中间产物的物性，建立半物理的神经网络模型，提升神经网络的预测精准度，同时提升神经网络拓展数据的性能，得出性能更优的氨燃料化学反应机理。
以上对本发明所提出的基于进化算法和深度学习的燃料燃烧机理优化方法进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。
Claims (6)
1.基于进化算法和深度学习的燃料燃烧机理优化方法，其特征在于：所述方法由深度学习算法和进化算法两个部分组成；其中深度学习算法用于预测高压情况下燃料燃烧的着火延迟时间数据，进化算法用于求解单目标多参数优化问题，优化燃料燃烧机理的参数；
所述方法具体为：
网络搜集获取燃料现有的着火延迟时间实验数据，组成原始数据库并进行预处理，去除误差相对大的数据；
对预处理后的原始数据进行扩充，将数据库分为多个工况，确定数据点大于等于4的工况进行曲线拟合数据扩充，最终得到若干个数据点，组成最终的数据库；
将数据库划分为训练集和验证集，其中训练集集中在低压和中压部分，数据量占比65％-75％，验证集为高压部分数据，数据量占比35％-25％；所述低压和中压部分为压力小于60bar，所述高压部分为压力大于60bar；
利用训练集对神经网络进行训练，在神经网络中设置损失函数为自定义函数Elog；通过神经网络训练，当Elog小于预设值时输出训练的神经网络；
对上述神经网络进一步应用，拓展原始数据，将原始数据中高压下的数据进行扩充，并进行验证，根据可验证情况进行适当的扩充，最终得出原始数据占60％，预测高压数据占40％的组合数据，根据工程需求，结合层流火焰速度组成最终的组合数据，用于化学反应机理的优化；
在进化算法部分，搭建单目标多参数优化方法对选定的由PLOG参数形式搭建的化学反应动力学机理进行优化，通过优化，最终得出优化后的化学反应机理；
所述神经网络的输入层为归一化后的6个基本计算参数，包含燃料，O2，N2，AR的体积分数和温度、压力；设置隐含层节点数和层数，激活函数，优化方法，调试学习率，并确定最终的学习率；输出层的激活函数设置为线性；
Elog定义见公式2，其中Pre为预测值，Act为实际值；当预测值越接近实际值时，log10(Prei/Acti)越趋近于0，且更有利于神经网络在绝对误差大的范围内快速的收束；
2.根据权利要求1所述的方法，其特征在于，选择多项式拟合作为扩充方法，由公式1即Arrhenius公式定义，反应速率求10次方根和温度的相反数成正相关；定义1000/T为自变量，着火延迟时间为因变量，执行多项式拟合；控制拟合残差平方和小于预设值，R平方高于预设值，在温度区间内均等的取许多个数据点并记录，最终得到若干个数据点，组成最终的数据库；
k＝ATbexp(-E/R^T)(1)。
3.根据权利要求1所述的方法，其特征在于，在神经网络中需要满足压力、着火延迟时间、温度和当量比的均匀分布。
4.根据权利要求2所述的方法，其特征在于，在优化过程中，将决策变量即公式1中的变量A的变化范围下限和上限设置为原始数值合适倍数，根据不同优化目标即10bar以上的参数和1bar以上的参数，将优化参数的维度分别设置对应的参数量，设置合适的种群规模，定义优化目标为平均绝对误差，利用Cantera搭建零维理想模型和一维火焰模型仿真着火延迟时间和层流火焰速度结果和扩充后的数据库进行对比，调试得出上述参数的最终值。
5.根据权利要求1所述的方法，其特征在于，在得出优化后的化学反应机理之后进行层流火焰速度和反应组分的实验数据验证，在误差范围内验证最终优化机理的可靠性。
6.根据权利要求1所述的方法，其特征在于，建立层流火焰速度和反应组分的神经网络，进行充分预测，得出考虑更加全面的化学反应机理。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211415068.7A CN115762653B (zh) | 2022-11-11 | 2022-11-11 | 基于进化算法和深度学习的燃料燃烧机理优化方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211415068.7A CN115762653B (zh) | 2022-11-11 | 2022-11-11 | 基于进化算法和深度学习的燃料燃烧机理优化方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115762653A CN115762653A (zh) | 2023-03-07 |
| CN115762653B true CN115762653B (zh) | 2023-08-11 |
Family
ID=85369943
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211415068.7A Active CN115762653B (zh) | 2022-11-11 | 2022-11-11 | 基于进化算法和深度学习的燃料燃烧机理优化方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115762653B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116994665B (zh) * | 2023-08-10 | 2024-03-26 | 西安交通大学 | 激波管高温层流火焰速度实验工况设计方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107728478A (zh) * | 2017-09-27 | 2018-02-23 | 吉林大学 | 燃料电池氧气过剩系数神经网络预测控制方法 |
| CN110837223A (zh) * | 2018-08-15 | 2020-02-25 | 大唐南京发电厂 | 一种燃气轮机燃烧优化控制方法及系统 |
| CN113779894A (zh) * | 2021-10-07 | 2021-12-10 | 北京航空航天大学 | 基于神经网络的管内碳氢燃料传热和阻力系数的预测方法 |
| EP3929421A1 (de) * | 2020-06-23 | 2021-12-29 | IAV GmbH Ingenieurgesellschaft Auto und Verkehr | Verfahren zum betreiben einer brennkraftmaschine, steuergerät und brennkraftmaschine |
| CN114239421A (zh) * | 2022-01-05 | 2022-03-25 | 中国华能集团清洁能源技术研究院有限公司 | 一种基于bp神经网络的煤粉燃烧特征参数预测方法及系统 |
| CN114444401A (zh) * | 2022-03-18 | 2022-05-06 | 潍柴动力股份有限公司 | 化学反应机理优化方法及装置 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP5000539B2 (ja) * | 2008-01-29 | 2012-08-15 | 本田技研工業株式会社 | 内燃機関の排気浄化装置 |
| WO2012074924A1 (en) * | 2010-11-30 | 2012-06-07 | Conocophillips Company | High cetane petroleum fuels |
| JP6501018B1 (ja) * | 2018-04-20 | 2019-04-17 | トヨタ自動車株式会社 | 未燃燃料量の機械学習装置 |
-
2022
- 2022-11-11 CN CN202211415068.7A patent/CN115762653B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107728478A (zh) * | 2017-09-27 | 2018-02-23 | 吉林大学 | 燃料电池氧气过剩系数神经网络预测控制方法 |
| CN110837223A (zh) * | 2018-08-15 | 2020-02-25 | 大唐南京发电厂 | 一种燃气轮机燃烧优化控制方法及系统 |
| EP3929421A1 (de) * | 2020-06-23 | 2021-12-29 | IAV GmbH Ingenieurgesellschaft Auto und Verkehr | Verfahren zum betreiben einer brennkraftmaschine, steuergerät und brennkraftmaschine |
| CN113779894A (zh) * | 2021-10-07 | 2021-12-10 | 北京航空航天大学 | 基于神经网络的管内碳氢燃料传热和阻力系数的预测方法 |
| CN114239421A (zh) * | 2022-01-05 | 2022-03-25 | 中国华能集团清洁能源技术研究院有限公司 | 一种基于bp神经网络的煤粉燃烧特征参数预测方法及系统 |
| CN114444401A (zh) * | 2022-03-18 | 2022-05-06 | 潍柴动力股份有限公司 | 化学反应机理优化方法及装置 |
Non-Patent Citations (1)
| Title |
|---|
| 基于CPD模型的煤粉颗粒着火特性的数值模拟;禹红英 等;《工程热物理学报》;第40卷(第06期);1439-1445 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115762653A (zh) | 2023-03-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115762653B (zh) | 基于进化算法和深度学习的燃料燃烧机理优化方法 | |
| CN110457750B (zh) | 基于神经网络响应面的有载分接开关弹簧储能不足故障识别方法 | |
| Usón et al. | Thermoeconomic diagnosis for improving the operation of energy intensive systems: Comparison of methods | |
| Shi et al. | Air–fuel ratio prediction and NMPC for SI engines with modified Volterra model and RBF network | |
| Pal et al. | Constrained surrogate-based engine calibration using lower confidence bound | |
| Pogorelov et al. | Application of neural network technology and high-performance computing for identification and real-time hardware-in-the-loop simulation of gas turbine engines | |
| Zhou et al. | Dynamic simulation of gas turbines via feature similarity-based transfer learning | |
| Ferretti et al. | Estimation of NO x emissions in thermal power plants using neural networks | |
| Bahlawan et al. | Development of reliable narx models of gas turbine cold, warm and hot start-up | |
| CN116258082A (zh) | 一种基于rbf神经网络的工质热力性质计算方法及系统 | |
| Işık et al. | A neural network model for UAV propulsion system | |
| Brace | Prediction of diesel engine exhaust emissions using artificial neural networks | |
| Dursun et al. | Modeling of performance and thermodynamic metrics of a conceptual turboprop engine by comparing different machine learning approaches | |
| Venturini | Simulation of compressor transient behavior through recurrent neural network models | |
| Bertram et al. | Augmentation of an Artificial Neural Network (ANN) model with expert knowledge of critical combustion features for optimizing a compression ignition engine using multiple injections | |
| Chu et al. | A kernel partial least squares method for gas turbine power plant performance prediction | |
| Sajad et al. | Black-box identification of gas turbine output parameters using dynamic neural network | |
| CN113361025A (zh) | 一种基于机器学习的蠕变疲劳概率损伤评定方法 | |
| Serafino et al. | Assessment of an Innovative Technique for the Robust Optimization of Organic Rankine Cycles | |
| Li et al. | An adaptation approach for gas turbine design-point performance simulation | |
| Lusenko et al. | Development of a waste-heat boiler model based on recurrent neural networks | |
| Yudhanto et al. | Performance optimization of gas turbine generator based on operating conditions using ANN-GA at Saka Indonesia Pangkah Ltd | |
| Assadi et al. | A novel correction technique for simple gas turbine parameters | |
| Zheng et al. | Improved prediction of nitrogen oxides using GRNN with k-means clustering and EDA | |
| CN117912585B (zh) | 基于深度人工神经网络下燃烧化学反应的优化方法 |
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 |