CN117057238A - 基于物理信息算子网络模型的燃烧器稳燃钝体设计方法 - Google Patents
基于物理信息算子网络模型的燃烧器稳燃钝体设计方法 Download PDFInfo
- Publication number
- CN117057238A CN117057238A CN202311022760.8A CN202311022760A CN117057238A CN 117057238 A CN117057238 A CN 117057238A CN 202311022760 A CN202311022760 A CN 202311022760A CN 117057238 A CN117057238 A CN 117057238A
- Authority
- CN
- China
- Prior art keywords
- blunt body
- physical
- function
- input
- operator 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.)
- Granted
Links
- 238000002485 combustion reaction Methods 0.000 title claims abstract description 82
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000013461 design Methods 0.000 title claims abstract description 43
- 230000006870 function Effects 0.000 claims abstract description 93
- 238000004364 calculation method Methods 0.000 claims abstract description 40
- 230000037237 body shape Effects 0.000 claims abstract description 27
- 238000011156 evaluation Methods 0.000 claims abstract description 23
- 238000013528 artificial neural network Methods 0.000 claims abstract description 15
- 238000009826 distribution Methods 0.000 claims abstract description 15
- 239000012530 fluid Substances 0.000 claims abstract description 14
- 238000010276 construction Methods 0.000 claims abstract description 12
- 230000009466 transformation Effects 0.000 claims abstract description 8
- 230000004044 response Effects 0.000 claims abstract description 6
- 230000004069 differentiation Effects 0.000 claims abstract description 5
- 230000007246 mechanism Effects 0.000 claims abstract description 5
- 238000012549 training Methods 0.000 claims description 23
- 230000008569 process Effects 0.000 claims description 12
- 238000012905 input function Methods 0.000 claims description 10
- 230000008859 change Effects 0.000 claims description 9
- 238000005070 sampling Methods 0.000 claims description 4
- 238000012795 verification Methods 0.000 claims description 4
- 238000012216 screening Methods 0.000 claims description 3
- 239000003795 chemical substances by application Substances 0.000 description 8
- 238000004422 calculation algorithm Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 239000000446 fuel Substances 0.000 description 5
- 238000003062 neural network model Methods 0.000 description 5
- 238000005457 optimization Methods 0.000 description 5
- 230000000087 stabilizing effect Effects 0.000 description 5
- 238000012360 testing method Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 238000004088 simulation Methods 0.000 description 4
- 238000013473 artificial intelligence Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 239000003245 coal Substances 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 239000003344 environmental pollutant Substances 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 231100000719 pollutant Toxicity 0.000 description 2
- 238000010521 absorption reaction Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 238000012938 design process Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000010410 layer Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012821 model calculation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008802 morphological function Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000005293 physical law Methods 0.000 description 1
- 238000010992 reflux Methods 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 239000002356 single layer Substances 0.000 description 1
- 238000005728 strengthening Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/28—Design optimisation, verification or simulation using fluid dynamics, e.g. using Navier-Stokes equations or computational fluid dynamics [CFD]
-
- 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
- G06N3/045—Combinations of networks
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computer Hardware Design (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Geometry (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Pure & Applied Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Fluid Mechanics (AREA)
- Algebra (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于物理信息算子网络模型的燃烧器稳燃钝体设计方法,包括:将构造所得的钝体形状函数与计算域空间内评估点的位置坐标参数作为算子网络的输入项;从输入特征变换与输出特征变换的角度设计神经网络结构,将定解条件从损失函数中剥离并嵌入到神经网络的固有结构中,实现定解条件的硬约束;利用正则化方法,构造算子网络输出的物理约束损失函数项,结合自动微分机制构建燃烧器内流体流动模型的物理损失函数和边界损失函数,得到整体物理信息算子网模型的损失函数,完成物理信息算子网络代理模型的构建;训练后的物理信息算子网络将会形成一个实时响应的代理模型,接收钝体形状输入参数设定的同时输出燃烧器内的物理场分布信息。
Description
技术领域
本发明涉及锅炉设备领域,尤其涉及一种基于物理信息算子网络模型的燃烧器稳燃钝体设计方法。
背景技术
《人工智能白皮书(2022)》指出:“在产业智能化进程中,随着传统行业数字化进程的提升,将为人工智能的应用打开新的空间。”目前,机器学习技术已被广泛应用于各种常见的科学问题和工程问题,并获得了大量的实质性进展。因此,使用人工智能方法对科学和工程应用系统中所面临的复杂问题进行解释性建模,将极大地推动科技工业的发展进程。
随着我国电网对新能源吸纳比例逐步增大,对电厂的灵活性调峰运行和尾气排放指标要求日益严苛。燃烧器作为调节锅炉燃烧方式的重要设备,在本体制造和结构优化设计阶段不仅需要保证燃烧器的稳燃效果,而且还需要控制燃烧器在组织燃烧过程中所产生的污染物排放浓度。燃烧器作为锅炉燃烧系统的主要设备,以多种方式向锅炉炉膛内输送燃料和空气,组织燃料和空气按照一定的混合比例及时、充分混合。
从空气动力学的角度来看,送入燃烧器内的气流在绕过稳燃装置后会形成一个回流区。这个回流区的形成可以增强空气与燃料之间的卷吸混合作用,使燃料更好地与空气混合,形成更均匀和更充分的燃烧。这样可以提高燃烧的强度和稳定性,减少不完全燃烧和产生污染物的排放。回流区的大小和形状会受到稳燃装置结构形状的影响。合理地设计稳燃装置可以引导气流形成适当大小和分布的回流区,从而实现更好的混合效果。
不同流动条件下的流场包含了涡流、边界层、尾流等重要的结构信息,能够为综合评价空气动力学特性提供丰富的参考依据。因此,根据燃烧器内详细的流场结构进行针对性的研究可以帮助设计人员深入了解稳燃装置对燃烧器内气动特性的影响,并为改善现有的燃烧器设计提供有效的依据。但是,燃烧器内流场形态受到了燃烧器中稳燃装置结构形状和位置影响,导致流场流动问题复杂多变。采用传统CDF计算工具对相关流场特性进行分析时,一方面需要建立大量的网格对相应问题进行建模,另一方面在优化流场形态和结构设计方面需要不断优化迭代,从而消耗了大量人工成本和计算资源。
因此,目前亟需一种更加高效快速且精准的方法去实现燃烧器内稳燃钝体的优化设计。
发明内容
本发明提供了一种基于物理信息算子网络模型的燃烧器稳燃钝体设计方法,本发明结合了数据驱动模型和物理模型的优势,更准确地捕捉燃烧器内复杂的流动特性;该方法首先考虑了燃烧器内流体流动的控制守恒方程,建立了一个基于物理约束的算子网络模型;然后,该模型将数值求解问题转化为了无约束优化问题,并通过采用梯度下降算法对这些控制方程进行求解,以得到燃烧器内流体速度和压力的预测值;使用该模型可以获得流场形态的实时信息反馈,进而形成燃烧器的稳燃钝体设计的指导方案,详见下文描述:
一种基于物理信息算子网络模型的燃烧器稳燃钝体设计方法,所述方法包括:
根据不同形状的稳燃钝体和计算域空间内评估点的位置坐标参数,构造稳燃钝体形状函数,并将其作为算子分支子网络和主干子网络的输入特征样本数据池;
将稳燃钝体的形状函数根据设计对象自身的特征属性限定其函数参数的变化范围;从输入特征变换与输出特征变换的角度设计神经网络结构,将定解条件从损失函数中剥离并嵌入到神经网络的固有结构中,实现定解条件的硬约束,提高钝体边界周围复杂流场信息的预测精度;
通过点积计算的方式合并两个子网络的输出,获得在输入评估点坐标下对应的输出物理量函数,并利用正则化方法,构造算子网络输出的物理约束损失函数项,以实现物理方程对于算子网络模型训练过程的嵌入约束;
利用自动微分机制构建燃烧器内流体流动模型的物理损失函数和边界损失函数,再结合算子网络模型的损失函数,获取整体物理信息算子网模型的损失函数,完成物理信息算子网络代理模型的构建;
训练后的物理信息算子网络将会形成一个实时响应的代理模型,接收钝体形状输入参数设定的同时输出燃烧器内的物理场分布信息。
其中,所述整体物理信息算子网模型的损失函数为:
L(θ)=Lphysical(θ)+LBC(θ)+Loperator(θ)
其中,Lphysical(θ)为物理方程损失函数;LBC(θ)为边界条件损失函数;Loperator(θ)为算子网络模型损失函数。
其中,所述根据不同形状的稳燃钝体和计算域空间内评估点的位置坐标参数,构造稳燃钝体形状函数,并将其作为算子分支子网络和主干子网络的输入特征样本数据池为:
构造稳燃钝体的形状函数,并对形状函数中的变量进行随机采样产生N个形状参数,作为输入函数的离散点数据池;确定算子模型网输入训练集、验证集数据:u(i)=[u(i)(x1),u(i)(x2),...,u(i)(xm)];
对于每一类稳燃钝体形态函数的输入样本u(i),G(u(i))为当前稳燃钝体几何形状输入条件下燃烧器腔体求解域内评估坐标点对应的速度分量和压力值;
构成算子网络数据集的张量维度表示为:
其中,u,ξ,G(u)(ξ)的维度分别为(N×P,m),(N×P,d),(N×P,1),对应地:u(i)(xm)为对应第i类燃烧器钝体形状函数中的第m个具体钝体形状对应的输入样本数据;为对应当前第m个具体钝体形状所在燃烧器腔体求解域中确定的评估点坐标集合;/>为当前稳燃钝体几何形状输入条件下燃烧器腔体求解域内评估坐标/>点对应的物理量值。
算子网络体系结构由两个子网络组成,分别用于提取稳燃钝体形态输入函数的分支子网络和用于提取计算域内评估点输入坐标/>的主干子网络;通过点积计算的方式合并两个子网络的输出,获得在输入评估点坐标下对应的输出物理量函数Gθ(u(i))(ξ(i)),即算子网络在输入参数u,坐标点ξ进行模态筛选的速度预测值和压力预测值:
其中,(u(x1),u(x2),...,u(xm))为对应当前燃烧器钝体形状函数中的m个具体钝体形状对应的输入样本数据;为分支子网络的输出;/>为主干子网络的输出;branch为分支子网络;trunk为主干子网络。
本发明是一种利用物理信息算子网络模型对燃烧器稳燃钝体形态结构进行设计的方法,有益效果是:
1、在传统的稳燃钝体设计方法中,多数只能针对某一类燃烧器提出对应的设计方法,存在很大的局限性;本发明所述的稳燃钝体设计方法可应用在多种类型、运行工况复杂的燃烧器稳燃装置的设计过程中,并表现出良好的适用性;
2、在传统的稳燃装置设计方法中,只能针对燃烧器中有限的稳燃钝体形状结构进行设计分析;本发明所述的稳燃钝体设计方法,在保证燃烧器内流场合理分布的前提下,提供了更大范围的稳燃钝体形状结构空间搜索域,以形成精准的优化设计指导方案;
3、由于燃烧器内存在复杂的流体流动情况,通常很难得到实际的观测数据,进而无法实现直接从数据驱动的角度对流体动力学特性进行研究;虽然传统的CFD数值计算方法能够实现对燃烧器工况的模拟计算,但是每一次稳燃钝体设计参数微小的改变,都需要在CFD计算中重新标定计算条件,随之会耗费较大的计算资源;本发明利用物理先验信息嵌入到算子神经网络搭建的代理模型,可实现在无实测数据的条件下,实时预测出燃烧器内物理场分布特性,例如:压力分布和流场分布等,在降低计算成本的同时极大地提升了设计效率。
附图说明
图1为带有稳燃钝体燃烧器的结构示意图;
图2为燃烧器腔体内计算域的示意图;
图3为物理信息算子模型训练数据集和测试集的示意图;
图4为钝体符号距离函数的设计示意图;
图5为物理信息算子神经网络模型的示意图;
图6为速度分布计算结果的对比示意图;
图7为压力分布计算结果的对比示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面对本发明实施方式作进一步地详细描述。
稳燃钝体的设计对于燃烧器的稳燃特性以及炉膛内组织燃烧方式起着关键性的作用。在传统的CFD计算中,每更改一次稳燃钝体的几何形状,对应计算域的变更都需要重新搭建模型结构、划分网格和求解计算。这涉及到了大量的重复性计算工作,消耗了较多的计算资源,导致整个设计工作周期较长且步骤冗杂。本发明实施例将稳燃钝体几何形状变化而生成可变求解域的燃烧器腔体作为流体流动所遵循的偏微分方程参数项输入到算子网络模型中,并结合给定满足流动特性控制方程的适当初始、边界条件,构造可实时预测燃烧器内物理场信息的代理模型。通过这种构建方法,即使在没有任何给定输出函数训练数据的情况下,仍能保证代理模型的预测精度及其泛化性能。该模型可实现根据不同稳燃钝体结构设计的改变,实时反馈出燃烧器内的流场和压力场的分布信息,从而准确地给工作人员提供燃烧器设计和运行的有效策略。
本发明实施例的燃烧器设计代理模型,虽在前期投入了较为复杂的模型构建工作和一定的计算资源,一旦训练完成后,可极其便捷的应用于工业锅炉中燃烧器稳燃钝体的设计领域中,形成一套完善的智能优化设计系统。
本发明实施例提出的方法主要技术方案如下:
步骤1:针对燃烧器中物理场分布随稳燃钝体几何形状变化而复杂多变的情况,选定能直观反映流场动力学变化特性的空间区域作为物理信息算子网络代理模型的计算域空间;
步骤2:根据不同形状的稳燃钝体和计算域空间内评估点的位置坐标参数,构造稳燃钝体形状函数,并将其作为算子分支子网络和主干子网络的输入特征样本数据池;
具体构造方式为:构造稳燃钝体的形状函数,并对形状函数中的变量进行随机采样产生N个形状参数,作为输入函数的离散点数据池;并在此基础上确定了算子模型网输入训练集、验证集数据:u(i)=[u(i)(x1),u(i)(x2),...,u(i)(xm)]。对于每一类稳燃钝体形态函数的输入样本u(i),G(u(i))为当前稳燃钝体几何形状输入条件下燃烧器腔体求解域内评估坐标/>点对应的速度分量和压力值。
从而构成算子网络数据集的张量维度表示为:
其中,u,ξ,G(u)(ξ)的维度分别为(N×P,m),(N×P,d),(N×P,1),对应地:u(i)(xm)为对应第i类燃烧器钝体形状函数中的第m个具体钝体形状对应的输入样本数据;为对应当前第m个具体钝体形状所在燃烧器腔体求解域中确定的评估点坐标集合;/>为当前稳燃钝体几何形状输入条件下燃烧器腔体求解域内评估坐标/>点对应的物理量值。
在以上确定输入计算数据参量后,进行算子网络模型的搭建:算子网络体系结构由两个子网络组成,分别用于提取稳燃钝体形态输入函数的分支子网络和用于提取计算域内评估点输入坐标/>的主干子网络。最后,通过点积计算的方式合并两个子网络的输出,获得在输入评估点坐标下对应的输出物理量函数Gθ(u(i))(v(i)),即算子网络在输入参数u,坐标点ξ进行模态筛选的速度预测值和压力预测值:
其中,(u(x1),u(x2),...,u(xm))为对应当前燃烧器钝体形状函数中的m个具体钝体形状对应的输入样本数据;为分支子网络的输出;/>为主干子网络的输出;branch为分支子网络;trunk为主干子网络。
步骤3:基于符号距离函数在几何体边界处处为零的特性,将步骤2中能反映稳燃钝体的形状函数根据设计对象自身的特征属性限定其函数参数的变化范围;从输入特征变换与输出特征变换的角度设计特有的神经网络结构,将定解条件从损失函数中剥离并嵌入到神经网络的固有结构中,实现定解条件的硬约束,从而极大地提高钝体边界周围复杂流场信息的预测精度;
步骤4:基于上述步骤构建的算子网络模型,其输出相对于输入坐标是可微的,因此可以利用正则化方法,构造算子网络输出的物理约束损失函数项,以实现物理方程对于算子网络模型训练过程的嵌入约束。
具体构建方式为:根据燃烧器内由稳燃钝体前后流场分布的空气动力学特性建立相应的控制方程,并依据计算域设定的参数数据,确定流动和压力的定解条件。
控制方程:
ut+N(u;λ)=0,x∈R,t∈[0,T]
其中,u(t,x)为燃烧器内流体运动控制方程约束下的解,λ为参数偏微分方程的参数项,N[·]表示控制方程中线性或非线性微分算子,R为实数集子集,T为时间域上限值。
边界条件:
其中,g(x,t)对应的边界条件,可根据燃烧器设计中燃烧器入口边界以及其余边界的设定特性而构造。Ω和分别是求解域和边界,例如:设计燃烧器入口边界为一恒定流速的入口条件,则可设定为第一类边界条件;例如:只设计燃烧器入口边界条件指定为法线方向上的速度梯度值,则可设定为第二类边界条件。
初始条件:
u(x,0)=h(x),x∈Ω
其中,h(x)为燃烧器内初始时刻状态下流场运动状态。
步骤5:在物理控制方程与定解条件的双重约束下,利用自动微分机制构建燃烧器内流体流动模型的物理损失函数和边界损失函数,再结合算子网络模型的损失函数,完成物理信息算子网络代理模型的构建。整体物理信息算子网模型的损失函数构造形式如下:
L(θ)=Lphysical(θ)+LBC(θ)+Loperator(θ)
其中,Lphysical(θ)为物理方程损失函数;LBC(θ)为边界条件损失函数;Loperator(θ)为算子网络模型损失函数。
步骤6:训练后的物理信息算子网络将会形成一个实时响应的代理模型,接收钝体形状输入参数设定的同时输出燃烧器内的物理场分布信息;
步骤7:为验证代理模型的准确性和泛化性,采用测试集中未参与训练的稳燃钝体形态函数作为代理模型输入,并将其得到的预测结果与数值模拟计算结果进行对比分析,以评估代理模型的性能。
其中,不同类型、不同结构形状的燃烧器,其内部流动换热过程的表现形式各异,但皆由相同的质量、动量与能量守恒控制方程所描述。能快速准确地求解控制方程是了解燃烧器内流动换热现象背后本质的前提。然而,现有的数值模拟方法与机器学习方法各自存在一定的局限性,难以应对燃烧器实际工程应用中所普遍涉及小数据样本设计案例的问题。通过实验、模拟和工业测量所得到的数据,不仅在获取数据时耗费了大量的时间成本和设备成本,并且由于采集得到的数据本身存在局限性,导致无法去全面深入揭示这些流动换热现象背后的物理规律。
因此,本发明实施例提出了一种基于物理信息算子网络模型的燃烧器稳燃钝体的设计方法:将控制方程作为物理信息神经网络损失函数中的惩罚项,使训练参数隐式地限制在可行解空间内,实现了物理知识与数据之间的无缝衔接。同时,由于控制方程提供了数据之间的潜在物理约束,仅通过少量训练数据,物理信息神经网络就能成为自动满足物理约束的燃烧器内物理信息求解代理模型,在保证精度的同时具有更好的泛化性能;从而能实现实时反馈燃烧器内物理场的变化信息,进而根据获得的物理信息对稳燃钝体进行优化设计。
以下结合附图对本申请的示范性实施案例做出说明。
选用实际工程中常规的锅炉燃烧器作为本发明案例的研究对象,燃烧器结构如图1所示,本体结构主要由三部分组成:燃烧器腔体1、稳燃钝体2、二次风管3;进风通道主要由一次风入口4和二次风入口5组成。其中一次风裹挟着煤粉颗粒由一次风入口4进入到燃烧腔体中进行预混,为保证燃料输运量,一次风入口4通常采用较大直径的圆形喷口结构,且一次风沿垂直于入口面切线方向进入到燃烧器腔体1中。为保证煤粉的着火和稳定燃烧的效果,需要在燃烧器腔体1中布置稳燃钝体2,使稳燃钝体2对一次风流动过程产生扰流影响后,形成一定的回流区域,以加强风对煤粉的卷吸作用,强化预混过程。因此稳燃钝体2的结构形状对于燃烧器性能起着关键性的作用,以下将具体阐述本发明实施例对于稳燃钝体2的设计方法:
1)将燃烧器稳燃钝体设计转化为模型求解问题
稳燃钝体不同结构形状的设计,虽然会导致燃烧器腔体1内流场空间域的改变,使流体表现出不同的流动特性。但燃烧器腔体1内流体流动的动力学特性均可由非定常N-S控制方程来描述。因此,可将上述工程类的问题建模为变求解域工况下流体流动方程的求解问题。形式如下:N(u,s)=0,其中u表示偏微分方程输入的参数项函数,s表示对于输入u对应的解s(u),N(·)为u→s映射的非线性微分算子。接下来通过神经网络结构来近似微分算子,构造计算燃烧器腔体内物理场信息的物理信息算子网络模型。
2)指定求解域
为简化计算过程,选取图1燃烧器中能够直观反映稳燃钝体形状结构模型对流场动力学特性影响的燃烧器腔体1部分作为本案例研究的二维模型计算区域,如图2所示。计算域为x:[-5,40]和y:[-7.5,7.5],在计算域左边界AB为均匀分布气流,沿x正方向速度设置为10的第一类入口边界条件,其余计算域边界以及稳燃钝体边界均设置为无滑移边界条件(u=0,v=0)。
3)构造输入参数项
稳燃钝体的结构形态可选任意合理范围之内的几何结构,本案例选用其中一类形状作为说明。在确定上述求解域后,本实施案例采用棱锥体作为燃烧器内的稳燃钝体形状,投影到二维平面后简化为三角形钝体形状。钝体形状函数决定的参数项u作为本发明实施例的物理信息算子网络模型的输入,考虑到一次风气流在绕过钝体后需要保持较为合理的流场分布特性,因此将一定的设计经验以及边缘测试数据CFD计算工况的分析结果作为先验知识嵌入到钝体参数的构造过程中,对输入参数进行特征约束。
具体如下:钝体三角形设定为等腰三角形,钝体三角形顶点固定在(0,0)坐标点,且钝体形状根据三角形顶角α和底边长l构造对应的输入函数:
4)物理信息算子网络模型的训练数据和测试数据
在确定参数偏微分方程物理信息算子网络模型的参数项形式后,将u作为算子网络模型分支子网络输入:u(i)=[u(i)(x1),u(i)(x2),...,u(i)(xm)],表示钝体函数在一组固定角度随边长参数变化时的输入项。通过对约束区间角度特征的遍历,构成包含N个形状函数的输入训练数据集/>并随机选取部分形状函数的特征数据作为测试数据集,如图3所示。主干子网络输入项ξ为计算域内评估点的坐标(x,y)。通过将分支子网络和主干子网络的输出以点积的形式合并在一起。由此构造出算子网络模型:
以实现对于参数输入函数u(i)时,在ξ点处物理场信息的预测值。θ为子网络所有可训练参数的集合。
5)考虑到钝体形状的变化会影响燃烧器内流场信息分布,并且钝体边界周围的流体速度梯度较大。因此为提高模型的预测精度,本实施案例利用符号距离函数对钝体边界施加定解条件的硬约束条件。具体方式如下,首先根据已构造的钝体函数确定钝体形状区域,可将符号距离函数进行解析表述,如图4所示:等腰钝体三角形顶点a位于原点坐标(0,0)处,其余两点坐标b(xb,yb),c(xc,yc)可根据钝体形状函数u(α,1)确定。输入计算域内任意评估点p坐标(xp,yp),计算到各边距离并取最小值,从而确定符号距离函数D((x,y),t):
上式中clamp(·)函数将距离值限定在0-1区间。然后将符号距离函数嵌入到约束项的编码过程中,从而将定解条件从损失函数中剥离并嵌入到神经网络的固有结构中,实现定解条件的硬约束:
其中,Gbasic(u)(ξ)表示已知初始、边界条件的特定解:
D((x,y),t)表示计算域内评估点到初始时间或空间域钝体边界的距离,在初始时刻和钝体边界处为0,计算域内非0:
G(u)(ξ)部分则是由物理信息算子网络模型进行训练得到满足控制方程的预测解。
6)构造控制方程约束模块
利用算子神经网络模型的输出对其主干子网络部分输入坐标的连续可微性,结合自动微分机制,构造出基于物理信息的算子神经网络模型。公式化损失函数如下:
L(θ)=Loperator(θ)+LBC,ic(θ)+Lphysical(θ)
其中,表示从输入函数数据集U中的N个随机采样函数,对于每个输入函数u(i),/>是由计算域、初始或边界条件确定的P个空间坐标点。/>是一组在G(u(i))求解域中随机采样的评估点位置坐标。
燃烧器腔体内的物理场特性(速度场、压力场)满足不可压缩的N-S方程,同时满足对应的定解条件。由此,确定上述损失函数中控制方程和定解条件的损失函数。在Lphysical(θ)中,控制方程约束项由以下方程组构成:
LBC,IC(θ)中,初始和边界条件由以下方程组构成:
LIC:=u(x,0)
7)训练模型
构建完的物理信息算子网络模型可作为本案例反馈燃烧器内物理场信息的代理模型,如图5所示。下面对模型进行训练:利用钝体函数随机生成的大量训练数据集对构造得到代理模型进行训练,本发明实施例中算子神经网络模型的分支子网络结构采用宽度与主干子网络观测数据个数相同的单层网络结构,且两个不同的子网络共享一组权值和偏差。本发明实施例采用Adam算法和L-BFGS算法相结合的训练方式,在代理模型中算子神经网络训练的初期阶段,神经网络损失函数值通常较高。因此为了保证后续训练集的精度,首先使用Adam算法进行训练,并设置算法迭代次数为50000代,学习率为0.001,其次采用L-BFGS算法进行后续训练,最大迭代次数设置为15000代。
8)验证模型
将全新的未参与训练的钝体形状函数作为代理模型的输入,代理模型得到的预测结果与CFD数值计算结果的对比如图6~7所示,图6显示了燃烧器计算域内流场x和y方向上速度分量信息,图7显示了燃烧器计算域内压力场的分布信息。由于代理模型在训练过程中没有使用任何已知的压力观测数据,压力场仅仅通过动量方程获得,因此求解结果与真实值存在一定的数值差,但两者都呈现出相同的压力场分布趋势。可见本案例中构造的代理模型可实现燃烧器内较高精度物理场信息的实时预测。
9)稳燃钝体的优化设计策略
将完成训练的代理模型应用于实际工程中的燃烧器稳燃钝体设计工作,可以为工程设计人员建立一个实时的输入输出响应系统。这意味着设计人员可以将燃烧器的设计参数作为输入,通过代理模型获得实时的物理场信息。这种实时的输入输出响应系统可以为设计人员提供高效、准确和直观的指导策略。
本领域技术人员可以理解附图只是一个优选实施例的示意图,上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (3)
1.一种基于物理信息算子网络模型的燃烧器稳燃钝体设计方法,其特征在于,所述方法包括:
通过构造稳燃钝体形状函数,根据不同形状的稳燃钝体和计算域空间内评估点的位置坐标参数,将其作为算子分支子网络和主干子网络的输入特征样本数据池;
将稳燃钝体的形状函数根据设计对象自身的特征属性限定其函数参数的变化范围;从输入特征变换与输出特征变换的角度设计神经网络结构,将定解条件从损失函数中剥离并嵌入到神经网络的固有结构中,实现定解条件的硬约束,提高钝体边界周围复杂流场信息的预测精度;
通过点积计算的方式合并两个子网络的输出,获得在输入评估点坐标下对应的输出物理量函数,并利用正则化方法,构造算子网络输出的物理约束损失函数项,以实现物理方程对于算子网络模型训练过程的嵌入约束;
利用自动微分机制构建燃烧器内流体流动模型的物理损失函数和边界损失函数,再结合算子网络模型的损失函数,获取整体物理信息算子网模型的损失函数,完成物理信息算子网络代理模型的构建;
训练后的物理信息算子网络将会形成一个实时响应的代理模型,接收钝体形状输入参数设定的同时输出燃烧器内的物理场分布信息。
2.根据权利要求1所述的一种基于物理信息算子网络模型的燃烧器稳燃钝体设计方法,其特征在于,所述整体物理信息算子网模型的损失函数为:
L(θ)=Lphysical(θ)+LBC(θ)+Loperator(θ)
其中,Lphysical(θ)为物理方程损失函数;LBC(θ)为边界条件损失函数;Loperator(θ)为算子网络模型损失函数。
3.根据权利要求1所述的一种基于物理信息算子网络模型的燃烧器稳燃钝体设计方法,其特征在于,通过构造稳燃钝体形状函数,根据不同形状的稳燃钝体和计算域空间内评估点的位置坐标参数,将其作为算子分支子网络和主干子网络的输入特征样本数据池为:
构造稳燃钝体的形状函数,并对形状函数中的变量进行随机采样产生N个形状参数,作为输入函数的离散点数据池;确定算子模型网输入训练集、验证集数据:u(i)=[u(i)(x1),u(i)(x2),...,u(i)(xm)];
对于每一类稳燃钝体形态函数的输入样本u(i),G(u(i))为当前稳燃钝体几何形状输入条件下燃烧器腔体求解域内评估坐标点对应的速度分量和压力值;
构成算子网络数据集的张量维度表示为:
其中,u,ξ,G(u)(ξ)的维度分别为(N×P,m),(N×P,d),(N×P,1),对应地:u(i)(xm)为对应第i类燃烧器钝体形状函数中的第m个具体钝体形状对应的输入样本数据;为对应当前第m个具体钝体形状所在燃烧器腔体求解域中确定的d维评估点坐标集合;/>为当前稳燃钝体几何形状输入条件下燃烧器腔体求解域内评估坐标/>点对应的物理量值;
算子网络体系结构由两个子网络组成,分别用于提取稳燃钝体形态输入函数的分支子网络和用于提取计算域内评估点输入坐标/>的主干子网络;通过点积计算的方式合并两个子网络的输出,获得在输入评估点坐标下对应的输出物理量函数Gθ(u(i))(ξ(i)),即算子网络在输入参数u,坐标点ξ进行模态筛选的速度预测值和压力预测值:
其中,(u(x1),u(x2),...,u(xm))为对应当前燃烧器钝体形状函数中的m个具体钝体形状对应的输入样本数据;为分支子网络的输出;/>为主干子网络的输出;branch为分支子网络;trunk为主干子网络。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311022760.8A CN117057238B (zh) | 2023-08-15 | 2023-08-15 | 基于物理信息算子网络模型的燃烧器稳燃钝体设计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311022760.8A CN117057238B (zh) | 2023-08-15 | 2023-08-15 | 基于物理信息算子网络模型的燃烧器稳燃钝体设计方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117057238A true CN117057238A (zh) | 2023-11-14 |
CN117057238B CN117057238B (zh) | 2024-04-19 |
Family
ID=88668675
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311022760.8A Active CN117057238B (zh) | 2023-08-15 | 2023-08-15 | 基于物理信息算子网络模型的燃烧器稳燃钝体设计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117057238B (zh) |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101063872A (zh) * | 2006-04-25 | 2007-10-31 | 神马科技公司 | 锅炉氧量优化系统 |
CN102252343A (zh) * | 2011-05-05 | 2011-11-23 | 浙江宜景环保科技有限公司 | 一种多孔介质燃烧器燃烧优化的方法 |
CN103576655A (zh) * | 2013-11-06 | 2014-02-12 | 华北电力大学(保定) | 一种电站锅炉燃烧子空间建模及多目标优化方法和系统 |
CN105117527A (zh) * | 2015-08-04 | 2015-12-02 | 宁波大学 | 一种循环流化床锅炉燃烧系统模型的建模方法 |
CN110410819A (zh) * | 2019-08-05 | 2019-11-05 | 东南大学 | 燃煤锅炉燃烧动力场快速计算和实时显示系统及计算方法 |
CN113779876A (zh) * | 2021-09-01 | 2021-12-10 | 北京航空航天大学宁波创新研究院 | 一种基于神经网络模型的湍流燃烧大涡模拟方法 |
CN114391150A (zh) * | 2019-03-22 | 2022-04-22 | 西门子股份公司 | 基于逆向和前向建模机器学习的生成式设计 |
CN114780909A (zh) * | 2022-04-29 | 2022-07-22 | 西安交通大学 | 基于物理信息神经网络的偏微分方程求解方法及系统 |
CN115270593A (zh) * | 2022-05-19 | 2022-11-01 | 东南大学 | 一种基于深度学习的多物理场模型分离式求解方法 |
KR20230013357A (ko) * | 2021-07-19 | 2023-01-26 | 서울대학교산학협력단 | 인공신경망 기법을 이용한 가스터빈 연소기에서의 압력 섭동 예측 장치 및 방법 |
CN116085823A (zh) * | 2022-12-01 | 2023-05-09 | 国家能源集团新能源技术研究院有限公司 | 锅炉燃烧控制方法及系统 |
CN116467817A (zh) * | 2023-06-01 | 2023-07-21 | 广东合胜厨电科技有限公司 | 一种基于上进风燃烧器的风道设计方法 |
CN116542164A (zh) * | 2023-06-19 | 2023-08-04 | 浙江大学 | 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 |
CN116562131A (zh) * | 2023-04-23 | 2023-08-08 | 硒钼科技(北京)有限公司 | 一种物理信息神经网络模型的训练方法 |
-
2023
- 2023-08-15 CN CN202311022760.8A patent/CN117057238B/zh active Active
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101063872A (zh) * | 2006-04-25 | 2007-10-31 | 神马科技公司 | 锅炉氧量优化系统 |
CN102252343A (zh) * | 2011-05-05 | 2011-11-23 | 浙江宜景环保科技有限公司 | 一种多孔介质燃烧器燃烧优化的方法 |
CN103576655A (zh) * | 2013-11-06 | 2014-02-12 | 华北电力大学(保定) | 一种电站锅炉燃烧子空间建模及多目标优化方法和系统 |
CN105117527A (zh) * | 2015-08-04 | 2015-12-02 | 宁波大学 | 一种循环流化床锅炉燃烧系统模型的建模方法 |
CN114391150A (zh) * | 2019-03-22 | 2022-04-22 | 西门子股份公司 | 基于逆向和前向建模机器学习的生成式设计 |
CN110410819A (zh) * | 2019-08-05 | 2019-11-05 | 东南大学 | 燃煤锅炉燃烧动力场快速计算和实时显示系统及计算方法 |
KR20230013357A (ko) * | 2021-07-19 | 2023-01-26 | 서울대학교산학협력단 | 인공신경망 기법을 이용한 가스터빈 연소기에서의 압력 섭동 예측 장치 및 방법 |
CN113779876A (zh) * | 2021-09-01 | 2021-12-10 | 北京航空航天大学宁波创新研究院 | 一种基于神经网络模型的湍流燃烧大涡模拟方法 |
CN114780909A (zh) * | 2022-04-29 | 2022-07-22 | 西安交通大学 | 基于物理信息神经网络的偏微分方程求解方法及系统 |
CN115270593A (zh) * | 2022-05-19 | 2022-11-01 | 东南大学 | 一种基于深度学习的多物理场模型分离式求解方法 |
CN116085823A (zh) * | 2022-12-01 | 2023-05-09 | 国家能源集团新能源技术研究院有限公司 | 锅炉燃烧控制方法及系统 |
CN116562131A (zh) * | 2023-04-23 | 2023-08-08 | 硒钼科技(北京)有限公司 | 一种物理信息神经网络模型的训练方法 |
CN116467817A (zh) * | 2023-06-01 | 2023-07-21 | 广东合胜厨电科技有限公司 | 一种基于上进风燃烧器的风道设计方法 |
CN116542164A (zh) * | 2023-06-19 | 2023-08-04 | 浙江大学 | 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 |
Non-Patent Citations (5)
Title |
---|
刘洋, 马朝臣: "燃气涡轮增压系统燃烧室设计", 北京理工大学学, vol. 38, no. 03, 31 March 2018 (2018-03-31), pages 247 - 254 * |
刘洋;马朝臣;: "燃气涡轮增压系统燃烧室设计", 北京理工大学学报, no. 03, 15 March 2018 (2018-03-15), pages 31 - 38 * |
贾永会;杜建桥;汪潮洋;彭晨峰;: "基于BP神经网络的燃煤锅炉温度分布预测", 热能动力工程, no. 07, 31 December 2020 (2020-12-31), pages 140 - 148 * |
雷冬: "电站锅炉燃烧优化技术分析", 科技创新与应用, vol. 2020, no. 06, 31 December 2020 (2020-12-31), pages 159 - 160 * |
马晓茜, 管霖, 赵增立, 李海滨, 吴创之, 陈勇: "基于多层神经网络的炉内温度场的模拟", 燃烧科学与技术, no. 02, 25 April 2003 (2003-04-25), pages 63 - 66 * |
Also Published As
Publication number | Publication date |
---|---|
CN117057238B (zh) | 2024-04-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112085277A (zh) | 一种基于机器学习的scr脱硝系统预测模型优化方法 | |
CN107944172B (zh) | 基于流体拓扑优化的发动机进气歧管设计方法 | |
CN109872012A (zh) | 基于工况划分的火电厂运行多目标优化的确定方法 | |
CN112084589B (zh) | 基于轴面流速控制的轴贯流式水轮机转轮叶片优化方法 | |
CN106286130A (zh) | 基于scada数据的风电机组偏航控制参数优化方法 | |
CN106934074A (zh) | 全局最优涡扇发动机进气道减噪设计方法 | |
Tang et al. | Multicriterion aerodynamic shape design optimization and inverse problems using control theory and Nash games | |
CN109992844A (zh) | 一种基于adqpso-svr模型的锅炉飞灰含碳量预测方法 | |
CN110442974A (zh) | 马蹄焰玻璃窑蓄热室性能优化方法和装置 | |
CN114462319A (zh) | 航空发动机燃烧性能主动调控方法及智能预测模型 | |
CN115828456A (zh) | 一种涡轮叶片外部全气膜冷却参数化优化设计方法 | |
CN117057238B (zh) | 基于物理信息算子网络模型的燃烧器稳燃钝体设计方法 | |
Hao et al. | Reynolds stresses and turbulent heat fluxes in fan-shaped and cylindrical film cooling holes | |
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 | |
Gaiddon et al. | Multicriteria design optimization of integrated three-dimensional supersonic inlets | |
CN111535845A (zh) | 一种基于pso和模糊控制的隧道通风节能优化控制方法 | |
CN110728031B (zh) | 一种基于ann建模平衡复杂石化过程产能的多目标优化方法 | |
Li et al. | Key technology of artificial intelligence in hull form intelligent optimization | |
Fu et al. | A disassembly sequence planning method with improved discrete grey wolf optimizer for equipment maintenance in hydropower station | |
Liu et al. | Aero-Thermal Coupled Design Optimization of the Non-Axisymmetric Endwall for a Gas Turbine Blade | |
Radhouane et al. | Impact of the initial streamwise inclination of a double jet emitted within a cool crossflow on its temperature field and pollutants dispersion | |
CN108416147A (zh) | 一种转炉一次除尘og系统参数计算机辅助设计方法 | |
Rodi | Expanding the Osculating Flowfield Waverider Method Beyond Power Law Body Induced Flowfields | |
Rodi | Reducing edney type-iv cowl shock-on-lip heating via leading edge geometry optimization | |
Kadhim | Effect of non-axisymmetric casing on flow and performance of an axial turbine |
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 |