一种基于神经网络模型的湍流燃烧大涡模拟方法技术

本发明专利技术公开了一种基于神经网络模型的湍流燃烧大涡模拟方法，首先利用化学反应机理对湍流燃烧场进行二维直接数值模拟(DNS)，然后对二维DNS结果进行过滤，得到不同滤波尺度下的湍流燃烧场，训练神经网络根据输入量(滤波后的组分质量分数、温度、混合分数亚格子方差、进度变量亚格子方差)直接输出滤波后的组分质量分数源项和温度源项，通过将训练好的神经网络模型与计算流体力学程序耦合，开展实际湍流燃烧场的三维大涡模拟计算，本发明专利技术可以实现大涡模拟中燃烧化学反应的高效高精度求解。涡模拟中燃烧化学反应的高效高精度求解。涡模拟中燃烧化学反应的高效高精度求解。

【技术实现步骤摘要】
一种基于神经网络模型的湍流燃烧大涡模拟方法


[0001]本专利技术属于燃烧学
，尤其涉及一种基于神经网络模型的湍流燃烧大涡模拟方法。

技术介绍

[0002]湍流燃烧是一种复杂的非线性现象。对于复杂的湍流燃烧过程，除了开展实验观测以外，数值模拟是对其进行研究和预测的重要手段。理论上，采用直接数值模拟(DNS)方法，通过极其细密的网格可以解析湍流燃烧场的全部信息，从而实现对湍流燃烧的准确预测。然而由于DNS庞大的网格量导致需要海量的计算资源，该方法目前还难以应用到工业界湍流燃烧室的三维仿真与设计中。
[0003]大涡模拟(LES)方法通过尺寸较粗网格的滤波作用将湍流燃烧场划分为网格可解析尺度和亚格子不可解析尺度。对于网格可解析尺度的湍流燃烧场采用直接数值求解相关湍流燃烧方程计算，而对于亚格子尺度的湍流燃烧场则通过构造亚格子模型来加以考虑。由于大涡模拟方法所需的计算资源显著低于DNS，同时其计算精度显著高于目前工业界普遍应用的雷诺平均模拟(RANS)方法，因此近年来该方法的应用日益广泛。
[0004]由于大涡模拟无法解析亚格子尺度的湍流和燃烧化学反应，因此需要构造湍流燃烧模型来描述亚格子尺度的湍流与燃烧相互作用过程。现有技术的湍流燃烧模型包括火焰面模型、PaSR模型、输运PDF模型、条件矩封闭模型等，但这些湍流燃烧模型还存在各自的不足。其中火焰面模型需要在大涡模拟前采用专门的程序预先构建火焰面数据库，此外在并行模拟时每颗CPU核心都需要载入一份火焰面数据库到内存中，求解复杂湍流燃烧问题需消耗大量内存；PaSR模型、输运PDF模型和条件矩封闭模型则存在计算量较大、计算速度较慢的缺点。
[0005]作为人工智能技术的一种，基于数据驱动的神经网络模型能够通过对大量数据的学习自动改进计算机程序的算法并提高算法性能。经过半个多世纪的发展，如今神经网络模型已经广泛应用到现代社会的各个方面，如智能交通预测、自动驾驶技术、垃圾邮件过滤等。在燃烧学
，神经网络模型如人工神经网络(ANN)等已经被国内外学者用于层流燃烧速度预测、燃烧动力学模型分析、燃烧稳定性预测、燃烧状态分类、炉膛燃烧优化等研究，这些已有研究展现出了神经网络模型计算量小、计算效率高的潜力。

技术实现思路

[0006]为了解决上述已有技术存在的不足，本专利技术提出一种基于神经网络模型的湍流燃烧大涡模拟方法，本专利技术的具体技术方案如下：
[0007]一种基于神经网络模型的湍流燃烧大涡模拟方法，包括以下步骤：
[0008]S1：根据需要计算的湍流燃烧问题，截取燃烧器入口所在的二维平面建立简化的二维模型并划分满足DNS要求的细密网格，网格尺寸为5～100μm，结合化学反应机理开展湍流燃烧场的二维DNS模拟；
[0009]S2：每隔一定的计算步数，存储二维DNS模拟各网格点的组分质量分数、温度以及组分质量分数源项、温度源项数据，形成数据快照，直到计算终止，共保存n个数据快照；
[0010]S3：采用m个盒式滤波器对步骤S2得到的数据快照进行过滤，得到包含m*n个滤波后的数据快照的总数据集，随机选取总数据集中的50～90％组成神经网络的训练数据集，剩余部分作为测试数据集；
[0011]S4：忽略在总数据集中质量分数小于0.0001的微量组分，选取剩余共计k种组分的质量分数和温度数据训练神经网络；神经网络的输入为训练数据集中每个数据点滤波后的k种组分质量分数、滤波后的温度、滤波后的混合分数亚格子方差和滤波后的进度变量亚格子方差，输出为该数据点滤波后的k种组分质量分数源项和滤波后的温度源项；
[0012]S5：训练完成后，利用测试数据集检验神经网络对滤波后的k种组分质量分数源项和滤波后的温度源项的预测精度；
[0013]S6：将训练好的神经网络模型与CFD程序耦合，开展实际湍流燃烧场的三维大涡模拟计算；模拟时无需输运化学反应机理中的全部组分，仅需要输运质量分数大于0.9999的k种组分；在求解k种组分质量分数输运方程和温度方程时，滤波后的k种组分质量分数源项和滤波后的温度源项直接通过神经网络进行计算。
[0014]进一步地，所述步骤S3中，滤波器的滤波尺度分别为DNS网格尺度的2倍、3倍
……
(m+1)倍，对滤波尺度内DNS网格点的组分质量分数、温度以及组分质量分数源项、温度源项求平均值即为滤波后的数据值，对滤波尺度内DNS网格点的混合分数和进度变量求方差即为滤波后的混合分数亚格子方差和滤波后的进度变量亚格子方差。
[0015]进一步地，所述步骤S4中的神经网络模型为全连接神经网络模型，包括输入层、输出层和若干层隐藏层。
[0016]进一步地，步骤S6的具体过程为：将步骤S5得到的神经网络模型转换为可执行程序代码，替换CFD程序中计算组分质量分数源项和温度源项的相关代码，对替换后的CFD程序代码重新编译，生成耦合神经网络模型的CFD可执行程序。
[0017]进一步地，步骤S2中的步数为50～500步。
[0018]本专利技术的有益效果在于：本专利技术利用神经网络计算燃烧化学反应，避免了求解阿伦尼乌斯常微分方程组，仅需要输运主要组分，并且直接输出滤波后的组分质量分数源项和温度源项，无需额外的亚格子湍流燃烧模型，兼具计算量小和计算精度高的优点。
附图说明
[0019]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，通过参考附图会更加清楚的理解本专利技术的特征和优点，附图是示意性的而不应理解为对本专利技术进行任何限制，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，可以根据这些附图获得其他的附图。其中：
[0020]图1为本专利技术提出的方法流程图；
[0021]图2为实施例1的三维大涡模拟工况示意图；
[0022]图3为实施例1湍流燃烧场的二维简化模型；
[0023]图4为实施例1二维DNS结果滤波示意图；
[0024]图5为实施例1训练神经网络模型示意图；
[0025]图6为实施例1神经网络模型测试数据集输出结果的验证；
[0026]图7为实施例1射流中心轴线上CO2、CO、CH4质量分数和温度分布的验证；
[0027]图8为实施例1射流中心轴线上O、OH、H自由基质量分数分布的验证。
具体实施方式
[0028]为了能够更清楚地理解本专利技术的上述目的、特征和优点，下面结合附图和具体实施方式对本专利技术进行进一步的详细描述。需要说明的是，在不冲突的情况下，本专利技术的实施例及实施例中的特征可以相互组合。
[0029]在下面的描述中阐述了很多具体细节以便于充分理解本专利技术，但是，本专利技术还可以采用其他不同于在此描述的其他方式来实施，因此，本专利技术的保护范围并不受下面公开的具体实施例的限制。
[0030]目前在湍流燃烧场的大涡模拟中，燃烧化学反应可以采用详细机理或者简化机理进行计算，同时还需要采用湍流燃烧模型如PaSR模型等对亚格子尺度湍流与燃烧本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于神经网络模型的湍流燃烧大涡模拟方法，其特征在于，包括以下步骤：S1：根据需要计算的湍流燃烧问题，截取燃烧器入口所在的二维平面建立简化的二维模型并划分满足DNS要求的细密网格，网格尺寸为5～100μm，结合化学反应机理开展湍流燃烧场的二维DNS模拟；S2：每隔一定的计算步数，存储二维DNS模拟各网格点的组分质量分数、温度以及组分质量分数源项、温度源项数据，形成数据快照，直到计算终止，共保存n个数据快照；S3：采用m个盒式滤波器对步骤S2得到的数据快照进行过滤，得到包含m*n个滤波后的数据快照的总数据集，随机选取总数据集中的50～90％组成神经网络的训练数据集，剩余部分作为测试数据集；S4：忽略在总数据集中质量分数小于0.0001的微量组分，选取剩余共计k种组分的质量分数和温度数据训练神经网络；神经网络的输入为训练数据集中每个数据点滤波后的k种组分质量分数、滤波后的温度、滤波后的混合分数亚格子方差和滤波后的进度变量亚格子方差，输出为该数据点滤波后的k种组分质量分数源项和滤波后的温度源项；S5：训练完成后，利用测试数据集检验神经网络对滤波后的k种组分质量分数源项和滤波后的温度源项的预测精度；S6：将训练好的神经网络模型与CFD程序耦合，开展实际湍流燃烧场的三维大涡模拟计算；模拟时无需输运化学反应机理中的全部组分，仅需要输运质量分数大于0...

【专利技术属性】
技术研发人员：万凯迪，高振勋，蒋崇文，李椿萱，
申请(专利权)人：北京航空航天大学宁波创新研究院，
类型：发明
国别省市：