基于神经网络的DeePMR化学机理简化方法及系统技术方案

本发明专利技术公开了一种基于神经网络的DeePMR化学机理简化方法及系统，包括：根据实际应用场景选定待简化的详细机理，作为父代机理；对父代机理进行扰动，得到至少一个子代机理；经过数值模拟获取子代机理在预设工况下的评估指标值；根据评估指标值和真实数据，计算子代机理与详细机理的综合误差；根据综合误差判断子代机理是否符合预设标准。本发明专利技术提供的方案考虑不同组分和化学反应的组合，利用神经网络评估组分和反应对机理精度的影响。通过加入稀疏性指标，结合机理精度指标，利用神经网络，探索高维组合空间中符合误差要求的最小规模的简化机理。简化机理。简化机理。

【技术实现步骤摘要】
基于神经网络的DeePMR化学机理简化方法及系统


[0001]本专利技术涉及化学机理领域，尤其涉及一种基于神经网络的DeePMR化学机理简化方法及系统。

技术介绍

[0002]化学机理(也称反应机理或化学反应机理)是化学中用来描述某一化学变化所经由的全部基元反应的方案或集合，就是把一个复杂反应分解成若干个基元反应，然后按照一定规律组合起来，从而达到阐述复杂反应的内在联系，以及总反应与基元反应内在联系之目的。化学机理详细描述了每一步转化的过程，包括过渡态的形成，键的断裂和生成，以及各步的相对速率大小等。完整的反应机理需要考虑到反应物、催化剂、反应的立体化学、产物以及各物质的用量。
[0003]复杂系统无处不在，因为其计算成本高以及刚性问题，在理解其动力学和仿真时经常遇到巨大的挑战。燃烧化学反应是一个典型的复杂系统，我们需要先对其复杂的详细机理，删除一些不重要的组分，进行简化后，才能投入计算。以往的机理简化方法，如敏感性分析和基于图论的方法，无法探索系统的全局相关性，从而影响其效率和准确性。
[0004]轻量级且准确的化学反应机理是高效、准确地模拟航空发动机燃烧室的先决条件。燃烧是一个典型的多尺度问题，详细化学反应机理组分数量庞大，维数高，化学刚性强，模拟计算的代价极其高昂，阻碍了其大规模应用于真实燃烧室数值模拟。化学机理简化是获取极简化机理的有力手段。其目的是在误差可控范围内，删减冗余组分和反应，最大化缩减机理的规模。
[0005]现有的机理简化方法主要通过识别并移除冗余组分和相关反应，主流的方法包括敏感性分析、时间尺度分析和反应网络流量分析。这些方法均存在严重的能力局限，难以进一步压缩骨架机理的组分规模来提高计算效率。
[0006]因此，本领域的技术人员致力于开发一种化学机理简化方法及系统，可以有效地压缩机理组分规模并提高计算效率。

技术实现思路

[0007]有鉴于现有技术的上述缺陷，本专利技术所要解决的技术问题是如何有效地压缩机理组分规模从而提高计算效率。
[0008]本专利技术提供了一种基于神经网络的DeePMR化学机理简化方法。该方法考虑不同组分和化学反应的组合，利用神经网络评估组分和反应对机理精度的影响。通过加入稀疏性指标，结合机理精度指标，利用神经网络，探索高维组合空间中符合误差要求的最小规模的简化机理。
[0009]本专利技术提出了一种新的基于机器学习的深度模型机理简化(DeePMR)方法，可以实现先进水平的机理简化。DeePMR方法应用于燃料化学机理，能够将一个包含几百反应的详细机理规模缩小一个量级，从而为燃烧数值模拟带来3到4个数量级的加速。DeepMR方法是
一个通用的框架，可以适用于各个领域的机理简化问题。
[0010]为实现上述目的，本专利技术提供一种基于神经网络的DeePMR化学机理简化方法，包括以下步骤：根据实际应用场景选定待简化的详细机理，作为父代机理；对父代机理进行扰动，得到至少一个子代机理；经过数值模拟获取子代机理在预设工况下的评估指标值，其中，预设工况包括至少一个工况指标；根据评估指标值和真实数据，计算子代机理与详细机理的综合误差，其中，对详细机理进行数值模拟得到真实数据；根据综合误差判断子代机理是否符合预设标准；其中，如果子代机理不符合预设标准，则将子代机理作为新的父代机理进行迭代以得到新的子代机理；以及如果子代机理符合预设标准，则将子代机理作为简化机理输出。
[0011]在本专利技术的另一较佳实施方式中，预设工况包括以下一个或多个工况指标：初始温度、初始压强、初始当量比。
[0012]在本专利技术的另一较佳实施方式中，对父代机理进行扰动进一步包括：删除父代机理中的至少一部分组分以及包含组分的反应。
[0013]在本专利技术的另一较佳实施方式中，以长度为组分数的01向量描述子代机理，其中，0表示对应位置的组分被删除，1表示对应位置的组分被保留。
[0014]在本专利技术的另一较佳实施方式中，根据综合误差判断子代机理是否符合预设标准进一步包括：判断子代机理的规模是否达到预期规模，或者综合误差是否超出误差阈值。
[0015]本专利技术还提供一种基于神经网络的DeePMR化学机理简化系统，包括：初始化模块，被配置为能够根据实际应用场景选定待简化的详细机理，作为父代机理；扰动模块，被配置为能够对父代机理进行扰动，得到至少一个子代机理；评估模块，被配置为能够经过数值模拟获取子代机理在预设工况下的评估指标值，其中，预设工况包括至少一个工况指标；误差模块，被配置为能够根据评估指标值和真实数据，计算子代机理与详细机理的综合误差，其中，对详细机理进行数值模拟得到真实数据；输出模块，被配置为能够根据综合误差判断子代机理是否符合预设标准；其中，输出模块进一步被配置为能够：当子代机理不符合预设标准时，则将子代机理作为新的父代机理传递至初始化模块进行迭代以得到新的子代机理；以及当子代机理符合预设标准时，则将子代机理作为简化机理输出。
[0016]在本专利技术的另一较佳实施方式中，扰动模块进一步被配置为能够：删除父代机理中的至少一部分组分以及包含组分的反应。
[0017]在本专利技术的另一较佳实施方式中，以长度为组分数的01向量描述子代机理，其中，0表示对应位置的组分被删除，1表示对应位置的组分被保留。
[0018]本专利技术还提供一种基于神经网络的DeePMR化学机理简化装置，包括存储器、处理器以及存储在存储器中并能够在处理器上运行的计算机程序，其特征在于，处理器被配置为能够在执行计算机程序时实现根据上述的基于神经网络的DeePMR化学机理简化方法的步骤。
[0019]本专利技术还提供一种计算机可读存储介质，其上存储有计算机程序，其特征在于，计算机程序被处理器执行时能够实现根据上述的基于神经网络的DeePMR化学机理简化方法的步骤。
[0020]本专利技术提供的技术方案现对于现有技术，至少具有以下优点：
[0021](1)本专利技术的技术方案能够将原详细机理的规模缩小一个量级以上，因而在数值
模拟中带来3
‑
4个量级的加速。极大缩短了计算耗时，使高效准确的数值模拟成为可能。
[0022](2)一般情况下，ode求解器直接评估一个几百组分的机理的耗时在1
‑
10分钟左右，但是神经网络可以在毫秒时间内完成上千个机理的评估。因此极大地提升了子代评估的效率。
[0023](3)基于核心组分的机理构建方式使得机理构建实现“即造即用”。构建的机理规模都在20
‑
40组分。无需进行机理简化即可应用于数值模拟。而传统的基于层次结构的机理构建方法得到的机理包含大量冗余组分，规模庞大，难以直接用于分析和计算。
[0024]以下将结合附图对本专利技术的构思、具体结构及产生的技术效果作进一步说明，以充分地了解本专利技术的目的、特征和效果。
附图说明
[0025]图1是本专利技术的一个较佳实施例的化学流程示意图。
[0026]图2是本专利技术的一个较佳实施例的向量流程示本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于神经网络的DeePMR化学机理简化方法，其特征在于，包括以下步骤：根据实际应用场景选定待简化的详细机理，作为父代机理；对所述父代机理进行扰动，并筛选得到至少一个子代机理；经过数值模拟获取所述子代机理在预设工况下的评估指标值，其中，所述预设工况包括至少一个工况指标；根据所述评估指标值和真实数据，计算所述子代机理与所述详细机理的综合误差，其中，对所述详细机理进行数值模拟得到所述真实数据；根据所述综合误差判断所述子代机理是否符合预设标准；其中，如果所述子代机理不符合所述预设标准，则将所述子代机理作为新的父代机理进行迭代以得到新的子代机理；以及如果所述子代机理符合所述预设标准，则将所述子代机理作为简化机理输出。2.如权利要求1所述的基于神经网络的DeePMR化学机理简化方法，其特征在于，所述预设工况包括以下一个或多个工况指标：初始温度、初始压强、初始当量比。3.如权利要求1所述的基于神经网络的DeePMR化学机理简化方法，其特征在于，对所述父代机理进行扰动进一步包括：删除所述父代机理中的至少一部分组分以及包含所述组分的反应。4.如权利要求1所述的基于神经网络的DeePMR化学机理简化方法，其特征在于：以长度为组分数的01向量描述所述子代机理，其中，0表示对应位置的组分被删除，1表示对应位置的组分被保留。5.如权利要求1所述的基于神经网络的DeePMR化学机理简化方法，其特征在于，根据所述综合误差判断所述子代机理是否符合预设标准进一步包括：判断所述子代机理的规模是否达到预期规模，或者所述综合误差是否超出误差阈值。6.一种基于神经网络的DeePMR化学机理简化系统，其特征在于，包括：初始化模块，被配置为能够根据实际应用场景选定待简化的详细机理，作为父代机理；扰动筛选模块，被配置...

【专利技术属性】
技术研发人员：许志钦，张天汉，王志伟，
申请(专利权)人：南方科技大学，
类型：发明
国别省市：