一种基于ANN模型的化学反应动力学计算方法技术

本发明专利技术涉及一种基于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。本发明专利技术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。法。法。

【技术实现步骤摘要】
一种基于ANN模型的化学反应动力学计算方法


[0001]本专利技术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。

技术介绍

[0002]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。

技术实现思路

[0003]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，本专利技术提出了一种基于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。
[0004]本专利技术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。
[0005]具体步骤如下：
[0006]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；
[0007]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；
[0008]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；
[0009]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。
[0010]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。
[0011]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。
[0012]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。
[0013]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。
[0014]与现有技术相比，本专利技术的有益效果是：
[0015]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。本专利技术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，本专利技术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。
[0016]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。
[0017]3.此外，本专利技术可以快速的实施，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。
[0018]4.本专利技术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
[0019]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。
[0020]图2为常规设置下的具体模型流程图。
[0021]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。
[0022]图4为着火延迟的无扰动模拟与带扰动模拟示意图。
[0023]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。
[0024]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
[0025]以下结合附图和技术方案对本专利技术进行详细叙述。
[0026]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，本专利技术所构建的模型以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
[0027]Δt＝t
(i+1)
‑
t
(i)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)
[0028]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。
[0029]如图1图2所示，具体步骤如下：
[0030]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本文档来自技高网...

【技术保护点】

【技术特征摘要】
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)

【专利技术属性】
技术研发人员：贾明，韩旭，
申请(专利权)人：大连理工大学，
类型：发明
国别省市：