【技术实现步骤摘要】
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
[0001]本专利技术属于碳氢燃料燃烧模拟
,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。
技术介绍
[0002]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。
[0003]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。
技术实现思路
[0004]针对现有技术中的上述不足,本专利技术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。
[0005]为了达到上述专利技术目的,本专利技术采用的技术方案为: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:
【技术保护点】
【技术特征摘要】
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。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。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IGT
detail
和一维层流火焰入口初速度v
detail
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IGT
simple
和一维层流火焰入口初速度v
simple
,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IGT
simple
和一维层流火焰入口初速度v
simple
,构建简化机理的全参数调整数据集。4.根据权利要求3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…
A
n
,b1…
b
n
,E1…
E
n
,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k
f
=AT
b
e
‑
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。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。6.根据权利要求5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:y
f
=w
f
x
f
+b
f
式中,x
f
为输入张量,w
f
为可学权值,b
f
为可加性偏置,y
f
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。7.根据权利要求3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具...
【专利技术属性】
技术研发人员:陈尔达,郭明明,田野,张华,高云志,唐飞,杨茂桃,马跃,童书鸿,邓雪,王姮,乐嘉陵,
申请(专利权)人:西南科技大学,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。