CN116798531B - 一种基于融合算法的超声速燃烧室碳氢燃料机理简化方法 - Google Patents
一种基于融合算法的超声速燃烧室碳氢燃料机理简化方法 Download PDFInfo
- Publication number
- CN116798531B CN116798531B CN202310790691.9A CN202310790691A CN116798531B CN 116798531 B CN116798531 B CN 116798531B CN 202310790691 A CN202310790691 A CN 202310790691A CN 116798531 B CN116798531 B CN 116798531B
- Authority
- CN
- China
- Prior art keywords
- simplified
- hydrocarbon fuel
- full
- combustion chamber
- neural network
- 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
- 230000007246 mechanism Effects 0.000 title claims abstract description 158
- 238000002485 combustion reaction Methods 0.000 title claims abstract description 47
- 239000004215 Carbon black (E152) Substances 0.000 title claims abstract description 40
- 239000000446 fuel Substances 0.000 title claims abstract description 40
- 229930195733 hydrocarbon Natural products 0.000 title claims abstract description 40
- 150000002430 hydrocarbons Chemical class 0.000 title claims abstract description 40
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 20
- 230000004927 fusion Effects 0.000 title claims abstract description 15
- 238000013528 artificial neural network Methods 0.000 claims abstract description 36
- 238000004088 simulation Methods 0.000 claims abstract description 36
- 238000004364 calculation method Methods 0.000 claims abstract description 35
- 238000005457 optimization Methods 0.000 claims abstract description 13
- 230000008569 process Effects 0.000 claims abstract description 10
- 230000004913 activation Effects 0.000 claims description 32
- 238000006243 chemical reaction Methods 0.000 claims description 25
- 230000006870 function Effects 0.000 claims description 21
- DIOQZVSQGTUSAI-UHFFFAOYSA-N decane Chemical compound CCCCCCCCCC DIOQZVSQGTUSAI-UHFFFAOYSA-N 0.000 claims description 14
- 230000008859 change Effects 0.000 claims description 13
- 108010078777 Colistin Proteins 0.000 claims description 11
- 229960003346 colistin Drugs 0.000 claims description 11
- JORAUNFTUVJTNG-BSTBCYLQSA-N n-[(2s)-4-amino-1-[[(2s,3r)-1-[[(2s)-4-amino-1-oxo-1-[[(3s,6s,9s,12s,15r,18s,21s)-6,9,18-tris(2-aminoethyl)-3-[(1r)-1-hydroxyethyl]-12,15-bis(2-methylpropyl)-2,5,8,11,14,17,20-heptaoxo-1,4,7,10,13,16,19-heptazacyclotricos-21-yl]amino]butan-2-yl]amino]-3-h Chemical group CC(C)CCCCC(=O)N[C@@H](CCN)C(=O)N[C@H]([C@@H](C)O)CN[C@@H](CCN)C(=O)N[C@H]1CCNC(=O)[C@H]([C@@H](C)O)NC(=O)[C@H](CCN)NC(=O)[C@H](CCN)NC(=O)[C@H](CC(C)C)NC(=O)[C@@H](CC(C)C)NC(=O)[C@H](CCN)NC1=O.CCC(C)CCCCC(=O)N[C@@H](CCN)C(=O)N[C@H]([C@@H](C)O)CN[C@@H](CCN)C(=O)N[C@H]1CCNC(=O)[C@H]([C@@H](C)O)NC(=O)[C@H](CCN)NC(=O)[C@H](CCN)NC(=O)[C@H](CC(C)C)NC(=O)[C@@H](CC(C)C)NC(=O)[C@H](CCN)NC1=O JORAUNFTUVJTNG-BSTBCYLQSA-N 0.000 claims description 11
- XDJYMJULXQKGMM-UHFFFAOYSA-N polymyxin E1 Natural products CCC(C)CCCCC(=O)NC(CCN)C(=O)NC(C(C)O)C(=O)NC(CCN)C(=O)NC1CCNC(=O)C(C(C)O)NC(=O)C(CCN)NC(=O)C(CCN)NC(=O)C(CC(C)C)NC(=O)C(CC(C)C)NC(=O)C(CCN)NC1=O XDJYMJULXQKGMM-UHFFFAOYSA-N 0.000 claims description 11
- KNIWPHSUTGNZST-UHFFFAOYSA-N polymyxin E2 Natural products CC(C)CCCCC(=O)NC(CCN)C(=O)NC(C(C)O)C(=O)NC(CCN)C(=O)NC1CCNC(=O)C(C(C)O)NC(=O)C(CCN)NC(=O)C(CCN)NC(=O)C(CC(C)C)NC(=O)C(CC(C)C)NC(=O)C(CCN)NC1=O KNIWPHSUTGNZST-UHFFFAOYSA-N 0.000 claims description 11
- 241000863434 Myxococcales Species 0.000 claims description 10
- 239000003795 chemical substances by application Substances 0.000 claims description 7
- 238000004458 analytical method Methods 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 6
- 230000014509 gene expression Effects 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 5
- 239000000654 additive Substances 0.000 claims description 4
- 230000000996 additive effect Effects 0.000 claims description 4
- 241000894006 Bacteria Species 0.000 claims description 3
- 238000002474 experimental method Methods 0.000 claims description 3
- 238000012549 training Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 230000002265 prevention Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000012938 design process Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 239000003350 kerosene Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000016273 neuron death Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
Landscapes
- Combined Controls Of Internal Combustion Engines (AREA)
- Feedback Control In General (AREA)
Abstract
本发明公开了一种基于融合算法的超声速燃烧室碳氢燃料机理简化方法,属于碳氢燃料燃烧模拟技术领域包括:S1、构建用于数值模拟的碳氢燃料机理文件;S2、基于机理文件,构建零维点火及一维层流火焰的数据集;S3、基于构建的数据集,构建神经网络代理模型;S4、利用神经网络代理模型,对简化机理的全参数进行优化;S5、将全参优化后的简化机理进行数值模拟计算,并根据计算结果优化简化机理模型的参数,进而实现超声速燃烧室碳氢燃料机理简化。本发明在保证精度的同时大幅度提高数值模拟的速度,为超燃冲压发动机在数值模拟过程中的高精度计算工作奠定基础,为发动机飞行过程中的安全可靠工作提供技术支撑。
Description
技术领域
本发明属于碳氢燃料燃烧模拟技术领域,具体涉及一种基于融合算法的超声速燃烧室碳氢燃料机理简化方法。
背景技术
超声速飞行器具有突防成功率高、生存能力强等优点,是实现全球范围内快速远程民用运输、可突防远程快速打击以及近地轨道空间运输等的重要载体。超燃冲压发动机作为其重要的推进装置,其内部存在着复杂的湍流燃烧过程。随着计算机技术的快速发展,计算流体力学解决超燃冲压发动机工程问题的能力迅速提高,在理论研究和工程应用中起着重要作用。对超燃冲压发动机内流场进行高精度的数值模拟是优化发动机设计、提升发动机效率的重要手段。
然而,由于湍流燃烧数值模拟中高精度化学反应模型的复杂性和巨大的计算量(占数值模拟总计算量的85%以上),高精度、大规模、全尺寸的超燃冲压发动机燃烧数值模拟仍难以在工程领域广泛应用。工程中需要对燃烧过程的详细化学反应机理进行简化和总结,以得到反应和组分数较少的简化反应机理。虽然简化反应组分及反应数较少,计算成本较低,但是其仍然存在计算适用范围窄、对高温工况的点火模拟不准确等缺点。
发明内容
针对现有技术中的上述不足,本发明提供的一种基于融合算法的超声速燃烧室碳氢燃料机理简化方法解决了现有的机理简化方法存在用范围窄、对高温工况的点火模拟不准确等问题。
为了达到上述发明目的,本发明采用的技术方案为:一种基于融合算法的超声速燃烧室碳氢燃料机理简化方法,包括以下步骤:
S1、构建用于数值模拟的碳氢燃料机理文件;
S2、基于机理文件,构建零维点火及一维层流火焰的数据集;
S3、基于构建的数据集,构建神经网络代理模型;
S4、利用神经网络代理模型,对简化机理的全参数进行优化;
S5、将全参优化后的简化机理进行数值模拟计算,并根据计算结果优化简化机理模型的参数,进而实现超声速燃烧室碳氢燃料机理简化。
进一步地,所述步骤S1中,碳氢燃料机理包括复杂机理和简化机理,其对应的机理文件包括复杂机理文件和简化机理文件;
其中,所述复杂机理文件包括77组分359反应的正癸烷燃烧化学反应机理,所述简化机理文件包括8组分4反应的正癸烷燃烧化学反应机理。
进一步地,所述步骤S2中,所述数据集包括标准数据集和简化机理的全参数调整数据集;
其中,标准数据集的构建方法为:
在数值模拟软件中,基于复杂机理文件进行零维点火及一维层流火焰模拟计算,将模拟计算出的零维点火延迟时间IGTdetail和一维层流火焰入口初速度vdetail作为全参数调整的标准数据集;
简化机理的全参数调整数据集的构建方法为:
在数值模拟软件中,对简化机理文件中每个化学反应的拉伦尼乌斯参数进行抽样计算,得到不同拉伦尼乌斯对应的零维点火延迟时间IGTsimple和一维层流火焰入口初速度vsimple,基于n个化学反应共3n个阿伦尼乌斯参数、初始温度及压力共计3n+2的变量对应的零维点火延迟时间IGTsimple和一维层流火焰入口初速度vsimple,构建简化机理的全参数调整数据集。
进一步地,所述步骤S3中,所述神经网络代理模型根据简化机理的全参数调整数据集构建并训练;
所述神经网络代理模型用于拟合数据样本输入和输出的非线性数学关系,其拟合过程表达式为:
Y=Model(A1…An,b1…bn,E1…En,T,P,δ)
式中,Y为拟合结果,A,b,E分别为阿伦尼乌斯经验公式kf=ATbe-E/RT中的指前因子、温度系数和活化能,T为初始温度,P为初始压力,δ为所有可学习参数,Model()为神经网络代理模型,R为摩尔气体常量,下标1,2,…,n为机理内n个化学反应中每个反应对应序数值。
进一步地,所述神经网络代理模型包括依次连接的第一全连接层、第一线性激活层、M个Block、第一全连接层和第二全连接层;
每个所述Block结构相同,第m个Block包括依次连接的第三全连接层、第三线性激活层、第四全连接层、第四线性激活层、第五全连接层、第五线性激活层以及加权操作层,其中,所述第三全连接层的输入还与加权操作层的输入连接,m=1,2,3,…,M。
进一步地,所述第一~第五全连接的表达式为:
yf=wfxf+bf
式中,xf为输入张量,wf为可学权值,bf为可加性偏置,yf为输出张量;
所述第一线性激活层、第三线性激活层以及第四线性激活层中的激活函数为ReLU函数,所述第二线性激活层和第五线性激活层中的激活函数为LeakyReLU函数。
进一步地,所述步骤S4具体为:
将标准数据集作为简化机理的调整依据,融合神经网络代理模型和改进黏菌算法对简化机理的阿伦尼乌斯参数进行调整,使神经网络代理模型计算出的零维点火延迟时间IGTchange和一维层流火焰入口初速度vchange接近复杂机理,获得全参数优化后的简化机理。
进一步地,对简化机理的阿伦尼乌斯参数进行调整的方法为:
S4-1、设定参数,利用神经网络代理模型选择优秀初代种群,并计算适应度值;
S4-2、计算黏菌重量W和边界值参数a;
S4-3、生成0~1内的随机数r,并判断随机数r是否小于比例参数z;
若是,则进入步骤S4-4;
若否,则进入步骤S4-5;
S4-4、按X(t+1)=rand×(ub-lb)+lb更新黏菌个体位置,进入步骤S4-8;
其中,X(t+1)为更新后黏菌个体的位置,t为更新迭代次数,rand为0~1内的随机权重参数,ub为搜索区域的上边界,lb为搜索区域的下边界;
S4-5、按照p=tanh(|S(i)-DF|)更新对比值p,同时更新权重参数vb和vc,并判断随机数r是否小于p;
若是,则进入步骤S4-6;
若否,则进入步骤S4-7;
其中,S(i)为第i个黏菌个体的适应度值,DF为所有迭代中的最优适应度值,N表示黏菌的种群规模,vb为第一权重参数,vc为第二权重参数,且-a<vb<a;
S4-6、按X(t+1)=Xb(t)+vb(W×XA(t)-XB(t))更新黏菌个体位置,进入步骤S4-8;
其中,Xb(t)为第t次迭代时食物浓度最高的位置,XA(t)和XB(t)为第t次迭代时随机选择的黏菌个体A和黏菌个体B;
S4-7、按X(t+1)=vc×X(t)更新黏菌个体位置,进入步骤S4-8;
S4-8、计算当前适应度值,并更新全局最优解;
S4-9、判断是否满足结束条件;
其中,结束条件为当前迭代次数是否达到设定值或计算的适应度值不再发生变化;
若是,则输出当前适应度值和全局最优解,得到优化后的全参数简化机理;
若否,则返回步骤S4-2。
进一步地,其特征在于,所述步骤S4-1中,初始化种群的方法为:
使用神经网络代理模型采用并行运算的方式,初始化一个大规模黏菌种群,并预测其对应的零维点火延迟时间IGTchange和一维层流火焰入口初速度vchange,进而根据其筛选出适应度值低的黏菌个体形成优秀初代种群。
进一步地,所述步骤S5具体为:
S51、在数值模拟软件中设置不同机理、相同工况的对准实验;
其中,不同机理包括复杂机理、简化机理以及全参数优化后的简化机理;
S52、选择超声速燃烧室构型作为对象进行不同机理的数值模拟计算,获得不同机理对应的计算结果;
S53、采用误差分析方法对不同机理对应的计算结果进行分析,并根据分析结果优化数值模拟软件中超声速燃烧室碳氢燃料机理简化模型的参数;
S54、利用优化参数后的碳氢燃料机理简化模型进行简化机理的数值模拟计算,实现超声速燃烧室碳氢燃料机理简化。
本发明的有益效果为:
(1)本发明在超声速燃烧室数值模拟中,利用机器学习方法对湍流燃烧过程特征变量进行建模,并结合改进黏菌算法对碳氢燃料简化机理进行全参数优化,最后形成一种基于融合算法超声速燃烧室碳氢燃料机理简化方法。
(2)本发明开展了融合智能算法的超声速燃烧室碳氢燃料机理简化方法研究,有助于快速、准确地得到适用范围更大、反应数更少的简化机理,加速超燃冲压发动机超声速燃烧室设计过程。
(3)本发明在保证精度的同时大幅度提高数值模拟的速度,为超燃冲压发动机在数值模拟过程中的高精度计算工作奠定基础,为发动机飞行过程中的安全可靠工作提供技术支撑。
附图说明
图1为本发明提供的基于融合算法的超声速燃烧室碳氢燃料机理简化方法流程图。
图2为本发明提供的神经网络代理模型结构示意图。
具体实施方式
下面对本发明的具体实施方式进行描述,以便于本技术领域的技术人员理解本发明,但应该清楚,本发明不限于具体实施方式的范围,对本技术领域的普通技术人员来讲,只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内,这些变化是显而易见的,一切利用本发明构思的发明创造均在保护之列。
本发明实施例提供了一种基于融合算法的超声速燃烧室碳氢燃料机理简化方法,如图1所示,包括以下步骤:
S1、构建用于数值模拟的碳氢燃料机理文件;
S2、基于机理文件,构建零维点火及一维层流火焰的数据集;
S3、基于构建的数据集,构建神经网络代理模型;
S4、利用神经网络代理模型,对简化机理的全参数进行优化;
S5、将全参优化后的简化机理进行数值模拟计算,并根据计算结果优化简化机理模型的参数,进而实现超声速燃烧室碳氢燃料机理简化。
在本发明实施例的步骤S1中,煤油作为超燃冲压发动机超声速燃烧室常用的碳氢燃料,其对应的碳氢燃料燃烧化学反应机理包括复杂机理和简化机理,其组成和化学特性较为复杂,在数值模拟计算中常用单组分多碳烷烃替代。
本实施例中选用正癸烷(C10H22),并将热力学文件、动力学文件及输运文件参数整理成机理文件。同时,由于数值模拟软件的输入接口不同,需要根据不同的计算任务需求改写机理文件格式以匹配不同的接口。文件格式也需要根据不同的要求在“.dat”、“.inp”、“.yaml”等不同格式之间切换。
本实施例中的机理文件包括复杂机理文件和简化机理文件;
其中,所述复杂机理文件包括77组分359反应的正癸烷(C10H22)燃烧化学反应机理,所述简化机理文件包括8组分4反应的正癸烷(C10H22)燃烧化学反应机理。
在本发明实施例的步骤S2中,数据集包括标准数据集和简化机理的全参数调整数据集;
其中,标准数据集的构建方法为:
在数值模拟软件中,基于复杂机理文件进行零维点火及一维层流火焰模拟计算,将模拟计算出的零维点火延迟时间IGTdetail和一维层流火焰入口初速度vdetail作为全参数调整的标准数据集;
简化机理的全参数调整数据集的构建方法为:
在数值模拟软件中,对简化机理文件中每个化学反应的拉伦尼乌斯参数进行抽样计算,得到不同拉伦尼乌斯对应的零维点火延迟时间IGTsimple和一维层流火焰入口初速度vsimple,基于n个化学反应共3n个阿伦尼乌斯参数、初始温度及压力共计3n+2的变量对应的零维点火延迟时间IGTsimple和一维层流火焰入口初速度vsimple,构建简化机理的全参数调整数据集。
在本实施例中,对简化机理文件中每个化学反应的拉伦尼乌斯参数进行抽样计算的方法为:
(1)确定样本数N,即要抽取的样本数目;
(2)将简化机理每个阿伦尼乌斯参数的区间范围均分为N段;
(3)分别在每个参数的N段中的每一段内随机的抽取一个值;
(4)将不同参数抽取的值进行随机组合,获得抽样结果。
在本发明实施例的步骤S3中,所述神经网络代理模型根据简化机理的全参数调整数据集构建并训练;其中,在简化机理的全参数调整数据集选取80%的数据当作训练集,用于代理模型的构建;20%的数据用于验证代理模型的精度高低。
在本实施例中,神经网络代理模型用于拟合数据样本输入和输出的非线性数学关系,其拟合过程表达式为:
Y=Model(A1…An,b1…bn,E1…En,T,P,δ)
式中,Y为拟合结果,A,b,E分别为阿伦尼乌斯经验公式kf=ATbe-E/RT中的指前因子、温度系数和活化能,T为初始温度,P为初始压力,δ为所有可学习参数,Model()为神经网络代理模型,R为摩尔气体常量,下标1,2,…,n为机理内n个化学反应中每个反应对应序数值。
在本发明实施例中,如图2所示,所述神经网络代理模型包括依次连接的第一全连接层、第一线性激活层、M个Block、第一全连接层和第二全连接层;
每个所述Block结构相同,第m个Block包括依次连接的第三全连接层、第三线性激活层、第四全连接层、第四线性激活层、第五全连接层、第五线性激活层以及加权操作层,其中,所述第三全连接层的输入还与加权操作层的输入连接,m=1,2,3,…,M。
在本实施例中,不同于图像处理中的卷积层的权值共享和稀疏连接,全连接层的核心运算是向量的乘积,旨在将上一层提取到的特征综合起来。通常,在全连接层中还会加入可加性偏置,以提高网络的灵活性和拟合能力,基于此,本实施例中神经网络代理模型中第一~第五全连接的表达式为:
yf=wfxf+bf
式中,xf为输入张量,wf为可学权值,bf为可加性偏置,yf为输出张量;全连接层的结构虽然简单,但是大量神经元的互相连接赋予了神经网络近乎可以拟合一切非线性函数的能力。
在本实施例中,为了增强网络的非线性特性,线性激活层被加入到全连接层的后面,常见的激励函数有线性整流函数ReLU:f(x)=max(0,x),双曲正切函数Tanh:f(x)=tanh(x),f(x)=|tanh(x)|或者S型生长曲线函数Sigmoid:f(1+e-x)-1。其中的ReLU函数由于对模型训练速度的大幅度提升以及对泛化性能不会产生过大影响而最受青睐。然而虽然ReLU函数能够避免反向传播过程中的梯度消失、屏蔽负值及防止梯度饱和,但是当学习率过大时会出现某些神经元永久死亡的现象,导致网络后期无法正常更新。所以本实施例中加入了LeakyReLU函数与ReLU函数共同作为网络的线性激活层。LeakyReLU在负值域赋予了一个非零斜率,能够避免训练过程中出现神经元死亡的问题。基于此,本实施例中的神经网络代理模型中,第一线性激活层、第三线性激活层以及第四线性激活层中的激活函数为ReLU函数,所述第二线性激活层和第五线性激活层中的激活函数为LeakyReLU函数。
本发明实施例的步骤S4具体为:
将复杂机理计算的标准数据集作为简化机理的调整依据,融合神经网络代理模型和改进黏菌算法对简化机理的阿伦尼乌斯参数进行调整,使神经网络代理模型计算出的零维点火延迟时间IGTchange和一维层流火焰入口初速度vchange接近复杂机理,获得全参数优化后的简化机理。
具体地,本实施例中对简化机理的阿伦尼乌斯参数进行调整的方法为:
S4-1、设定参数,利用神经网络代理模型选择优秀初代种群,并计算适应度值;
S4-2、计算黏菌重量W和边界值参数a;
S4-3、生成0~1内的随机数r,并判断随机数r是否小于比例参数z;
若是,则进入步骤S4-4;
若否,则进入步骤S4-5;
S4-4、按X(t+1)=rand×(ub-lb)+lb更新黏菌个体位置,进入步骤S4-8;
其中,X(t+1)为更新后黏菌个体的位置,t为更新迭代次数,rand为0~1内的随机权重参数,ub为搜索区域的上边界,lb为搜索区域的下边界;
S4-5、按照p=tanh(|S(i)-DF|)更新对比值p,同时更新权重参数vb和vc,并判断随机数r是否小于p;
若是,则进入步骤S4-6;
若否,则进入步骤S4-7;
其中,S(i)为第i个黏菌个体的适应度值,DF为所有迭代中的最优适应度值,N表示黏菌的种群规模,vb为第一权重参数,vc为第二权重参数,且-a<vb<a;
S4-6、按X(t+1)=Xb(t)+vb(W×XA(t)-XB(t))更新黏菌个体位置,进入步骤S4-8;
其中,Xb(t)为第t次迭代时食物浓度最高的位置,XA(t)和XB(t)为第t次迭代时随机选择的黏菌个体A和黏菌个体B;
S4-7、按X(t+1)=vc×X(t)更新黏菌个体位置,进入步骤S4-8;
S4-8、计算当前适应度值,并更新全局最优解;
S4-9、判断是否满足结束条件;
其中,结束条件为当前迭代次数是否达到设定值或计算的适应度值不再发生变化;
若是,则输出当前适应度值和全局最优解,得到优化后的全参数简化机理;
若否,则返回步骤S4-2。
在本实施例步骤S4-1中,初始化种群的方法为:
使用神经网络代理模型采用并行运算的方式,初始化一个大规模黏菌种群,并预测其对应的零维点火延迟时间IGTchange和一维层流火焰入口初速度vchange,进而根据其筛选出适应度值低的黏菌个体形成优秀初代种群。
本发明实施例的步骤S5具体为:
S51、在数值模拟软件中设置不同机理、相同工况的对准实验;
其中,不同机理包括复杂机理、简化机理以及全参数优化后的简化机理;
S52、选择超声速燃烧室构型作为对象进行不同机理的数值模拟计算,获得不同机理对应的计算结果;
S53、采用误差分析方法对不同机理对应的计算结果进行分析,并根据分析结果优化数值模拟软件中超声速燃烧室碳氢燃料机理简化模型的参数;
S54、利用优化参数后的碳氢燃料机理简化模型进行简化机理的数值模拟计算,实现超声速燃烧室碳氢燃料机理简化。
在本实施例的步骤S52中,将超声速燃烧室构型作为对象,绘制相应的计算网格文件,设置数值模拟软的流动、反应控制参数,调整各参数实现超声速工况,在一定的工况条件下,运行数值模拟软件计算不同算例。
在本实施例的步骤S53中,采用相对误差和均方根误差来评判简化机理全参数优化前后的精度变化情况。根据误差评判方法分析优化结果后,针对误差较大的简化机理模型的参数进行改进,提高超燃冲压发动机数值模拟精度,为超燃冲压发动机在数值模拟过程中的高精度计算工作奠定基础,为发动机飞行过程中的安全可靠工作提供技术支撑。
本发明中应用了具体实施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。
本领域的普通技术人员将会意识到,这里所述的实施例是为了帮助读者理解本发明的原理,应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合,这些变形和组合仍然在本发明的保护范围内。
Claims (6)
1.一种基于融合算法的超声速燃烧室碳氢燃料机理简化方法,其特征在于,包括以下步骤:
S1、构建用于数值模拟的碳氢燃料机理文件;
S2、基于机理文件,构建零维点火及一维层流火焰的数据集;
S3、基于构建的数据集,构建神经网络代理模型;
S4、利用神经网络代理模型,对简化机理的全参数进行优化;
S5、将全参优化后的简化机理进行数值模拟计算,并根据计算结果优化简化机理模型的参数,进而实现超声速燃烧室碳氢燃料机理简化;
所述步骤S1中,碳氢燃料机理包括复杂机理和简化机理,其对应的机理文件包括复杂机理文件和简化机理文件;
其中,所述复杂机理文件包括77组分359反应的正癸烷燃烧化学反应机理,所述简化机理文件包括8组分4反应的正癸烷燃烧化学反应机理;
所述步骤S2中,所述数据集包括标准数据集和简化机理的全参数调整数据集;
其中,标准数据集的构建方法为:
在数值模拟软件中,基于复杂机理文件进行零维点火及一维层流火焰模拟计算,将模拟计算出的零维点火延迟时间IGTdetail和一维层流火焰入口初速度vdetail作为全参数调整的标准数据集;
简化机理的全参数调整数据集的构建方法为:
在数值模拟软件中,对简化机理文件中每个化学反应的拉伦尼乌斯参数进行抽样计算,得到不同拉伦尼乌斯对应的零维点火延迟时间IGTsimple和一维层流火焰入口初速度vsimple,基于n个化学反应共3n个阿伦尼乌斯参数、初始温度及压力共计3n+2的变量对应的零维点火延迟时间IGTsimple和一维层流火焰入口初速度vsimple,构建简化机理的全参数调整数据集;
所述步骤S3中,所述神经网络代理模型根据简化机理的全参数调整数据集构建并训练;
所述神经网络代理模型用于拟合数据样本输入和输出的非线性数学关系,其拟合过程表达式为:
Y=Model(A1…An,b1…bn,E1…En,T,P,δ)
式中,Y为拟合结果,A,b,E分别为阿伦尼乌斯经验公式kf=ATbe-E/RT中的指前因子、温度系数和活化能,T为初始温度,P为初始压力,δ为所有可学习参数,Model()为神经网络代理模型,R为摩尔气体常量,下标1,2,…,n为机理内n个化学反应中每个反应对应序数值;
所述步骤S4具体为:
将标准数据集作为简化机理的调整依据,融合神经网络代理模型和改进黏菌算法对简化机理的阿伦尼乌斯参数进行调整,使神经网络代理模型计算出的零维点火延迟时间IGTchange和一维层流火焰入口初速度vchange接近复杂机理,获得全参数优化后的简化机理。
2.根据权利要求1所述的基于融合算法的超声速燃烧室碳氢燃料机理简化方法,其特征在于,所述神经网络代理模型包括依次连接的第一全连接层、第一线性激活层、M个Block、第二全连接层和第二线性激活层;
每个所述Block结构相同,第m个Block包括依次连接的第三全连接层、第三线性激活层、第四全连接层、第四线性激活层、第五全连接层、第五线性激活层以及加权操作层,其中,所述第三全连接层的输入还与加权操作层的输入连接,m=1,2,3,…,M。
3.根据权利要求2所述的基于融合算法的超声速燃烧室碳氢燃料机理简化方法,其特征在于,所述第一~第五全连接的表达式为:
yf=wfxf+bf
式中,xf为输入张量,wf为可学权值,bf为可加性偏置,yf为输出张量;
所述第一线性激活层、第三线性激活层以及第四线性激活层中的激活函数为ReLU函数,所述第二线性激活层和第五线性激活层中的激活函数为LeakyReLU函数。
4.根据权利要求1所述的基于融合算法的超声速燃烧室碳氢燃料机理简化方法,其特征在于,对简化机理的阿伦尼乌斯参数进行调整的方法为:
S4-1、设定参数,利用神经网络代理模型选择优秀初代种群,并计算适应度值;
S4-2、计算黏菌重量W和边界值参数a;
S4-3、生成0~1内的随机数r,并判断随机数r是否小于比例参数z;
若是,则进入步骤S4-4;
若否,则进入步骤S4-5;
S4-4、按X(t+1)=rand×(ub-lb)+lb更新黏菌个体位置,进入步骤S4-8;
其中,X(t+1)为更新后黏菌个体的位置,t为更新迭代次数,rand为0~1内的随机权重参数,ub为搜索区域的上边界,lb为搜索区域的下边界;
S4-5、按照p=tanh(|S(i)-DF|)更新对比值p,同时更新权重参数vb和vc,并判断随机数r是否小于p;
若是,则进入步骤S4-6;
若否,则进入步骤S4-7;
其中,S(i)为第i个黏菌个体的适应度值,DF为所有迭代中的最优适应度值,N表示黏菌的种群规模,vb为第一权重参数,vc为第二权重参数,且-a<vb<a;
S4-6、按X(t+1)=Xb(t)+vb(W×XA(t)-XB(t))更新黏菌个体位置,进入步骤S4-8;
其中,Xb(t)为第t次迭代时食物浓度最高的位置,XA(t)和XB(t)为第t次迭代时随机选择的黏菌个体A和黏菌个体B;
S4-7、按X(t+1)=vc×X(t)更新黏菌个体位置,进入步骤S4-8;
S4-8、计算当前适应度值,并更新全局最优解;
S4-9、判断是否满足结束条件;
其中,结束条件为当前迭代次数是否达到设定值或计算的适应度值不再发生变化;
若是,则输出当前适应度值和全局最优解,得到优化后的全参数简化机理;
若否,则返回步骤S4-2。
5.根据权利要求4所述的基于融合算法的超声速燃烧室碳氢燃料机理简化方法,其特征在于,所述步骤S4-1中,初始化种群的方法为:
使用神经网络代理模型采用并行运算的方式,初始化一个大规模黏菌种群,并预测其对应的零维点火延迟时间IGTchange和一维层流火焰入口初速度vchange,进而根据其筛选出适应度值低的黏菌个体形成优秀初代种群。
6.根据权利要求1所述的基于融合算法的超声速燃烧室碳氢燃料机理简化方法,其特征在于,所述步骤S5具体为:
S51、在数值模拟软件中设置不同机理、相同工况的对准实验;
其中,不同机理包括复杂机理、简化机理以及全参数优化后的简化机理;
S52、选择超声速燃烧室构型作为对象进行不同机理的数值模拟计算,获得不同机理对应的计算结果;
S53、采用误差分析方法对不同机理对应的计算结果进行分析,并根据分析结果优化数值模拟软件中超声速燃烧室碳氢燃料机理简化模型的参数;
S54、利用优化参数后的碳氢燃料机理简化模型进行简化机理的数值模拟计算,实现超声速燃烧室碳氢燃料机理简化。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310790691.9A CN116798531B (zh) | 2023-06-29 | 2023-06-29 | 一种基于融合算法的超声速燃烧室碳氢燃料机理简化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310790691.9A CN116798531B (zh) | 2023-06-29 | 2023-06-29 | 一种基于融合算法的超声速燃烧室碳氢燃料机理简化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116798531A CN116798531A (zh) | 2023-09-22 |
CN116798531B true CN116798531B (zh) | 2024-03-22 |
Family
ID=88037792
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310790691.9A Active CN116798531B (zh) | 2023-06-29 | 2023-06-29 | 一种基于融合算法的超声速燃烧室碳氢燃料机理简化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116798531B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107273693A (zh) * | 2017-06-22 | 2017-10-20 | 武汉科技大学 | 一种碳氢燃料机理简化方法 |
CN109767815A (zh) * | 2018-12-25 | 2019-05-17 | 哈尔滨工业大学 | 基于速率不确定性下的燃烧反应机理简化的方法 |
CN112489734A (zh) * | 2020-11-30 | 2021-03-12 | 江苏科技大学 | 一种内燃机替代燃料二甲醚燃烧反应机理模型的简化方法 |
CN115206448A (zh) * | 2022-07-22 | 2022-10-18 | 大连理工大学 | 一种基于ann模型的化学反应动力学计算方法 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070050154A1 (en) * | 2005-09-01 | 2007-03-01 | Albahri Tareq A | Method and apparatus for measuring the properties of petroleum fuels by distillation |
EP3966641A1 (en) * | 2019-05-09 | 2022-03-16 | Aspen Technology, Inc. | Combining machine learning with domain knowledge and first principles for modeling in the process industries |
EP4024295A4 (en) * | 2019-09-30 | 2023-05-10 | Siemens Aktiengesellschaft | OPTIMIZATION METHOD AND DEVICE FOR INTEGRATED POWER SYSTEM AND COMPUTER READABLE STORAGE MEDIUM |
US20220292338A1 (en) * | 2021-03-09 | 2022-09-15 | Chevron U.S.A. Inc. | Geomechanics Informed Machine Intelligence |
US20230168409A1 (en) * | 2021-12-01 | 2023-06-01 | Saudi Arabian Oil Company | Hydrocarbon phase behavior modeling for compositional reservoir simulation |
-
2023
- 2023-06-29 CN CN202310790691.9A patent/CN116798531B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107273693A (zh) * | 2017-06-22 | 2017-10-20 | 武汉科技大学 | 一种碳氢燃料机理简化方法 |
CN109767815A (zh) * | 2018-12-25 | 2019-05-17 | 哈尔滨工业大学 | 基于速率不确定性下的燃烧反应机理简化的方法 |
CN112489734A (zh) * | 2020-11-30 | 2021-03-12 | 江苏科技大学 | 一种内燃机替代燃料二甲醚燃烧反应机理模型的简化方法 |
CN115206448A (zh) * | 2022-07-22 | 2022-10-18 | 大连理工大学 | 一种基于ann模型的化学反应动力学计算方法 |
Non-Patent Citations (2)
Title |
---|
Machine learning for combustion;Lei Zhou等;Energy and AI;20211124;1-27 * |
基于分析法对Jet-A燃料进行燃烧反应机理简化的研究;王伟;刘帅;白杰;;热能动力工程;20160520(05);70-76+160-161 * |
Also Published As
Publication number | Publication date |
---|---|
CN116798531A (zh) | 2023-09-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Huan et al. | Prediction of dissolved oxygen in aquaculture based on gradient boosting decision tree and long short-term memory network: A study of Chang Zhou fishery demonstration base, China | |
CN102831269B (zh) | 一种流程工业过程工艺参数的确定方法 | |
CN104598972A (zh) | 一种大规模数据回归神经网络快速训练方法 | |
Jianlin et al. | On-line estimation in fed-batch fermentation process using state space model and unscented Kalman filter | |
US20220309122A1 (en) | Iterative algorithm for aero-engine model based on hybrid adaptive differential evolution | |
An et al. | A deep learning framework for hydrogen-fueled turbulent combustion simulation | |
CN112084727A (zh) | 一种基于神经网络的转捩预测方法 | |
CN111058840A (zh) | 一种基于高阶神经网络的有机碳含量(toc)评价方法 | |
CN114282646B (zh) | 基于两阶段特征提取和改进BiLSTM的光功率预测方法及系统 | |
White et al. | Fast neural network predictions from constrained aerodynamics datasets | |
Zhu et al. | Model error correction in data assimilation by integrating neural networks | |
White et al. | Neural networks predict fluid dynamics solutions from tiny datasets | |
Salehian et al. | Multi-solution well placement optimization using ensemble learning of surrogate models | |
CN113011660A (zh) | 空气质量预测方法、系统及存储介质 | |
CN104616072A (zh) | 一种基于区间优化的提高谷氨酸发酵产物浓度的方法 | |
CN115730743A (zh) | 一种基于深度神经网络的战场作战趋势预测方法 | |
CN116798531B (zh) | 一种基于融合算法的超声速燃烧室碳氢燃料机理简化方法 | |
CN111708388B (zh) | 一种基于gru-pid的锅炉调压预测控制方法 | |
CN101408752B (zh) | 基于混沌退火和参数扰动的神经网络极值控制方法及系统 | |
CN113849910A (zh) | 一种基于Dropout的BiLSTM网络机翼阻力系数预测方法 | |
CN116542164A (zh) | 一种基于物理驱动参数化代理模型的燃烧系统优化设计方法 | |
Su et al. | Kinetics Parameter Optimization via Neural Ordinary Differential Equations | |
CN115310348A (zh) | 基于Stacking的灌浆量集成代理预测模型及预测方法 | |
CN112488248A (zh) | 一种基于卷积神经网络的代理模型的构建方法 | |
Graefe et al. | A new training method for hybrid models of bioprocesses |
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 |