一种燃烧反应动力系统智能化计算方法、设备及存储介质技术方案

本申请公开了一种燃烧反应动力系统智能化计算方法、设备及存储介质，其中计算方法通过建立集成学习模型，利用高度并行化的特点，可以与主流的CFD代码结构无缝集成，且所述集成学习模型可以根据已知的化学反应组分分布和热力学状态，对Δt时间步后的状态值进行直接预测，无需依赖数值迭代方法，克服了传统的常微分方程组求解中的“刚性”问题。此外，本申请还针对复杂的燃烧动力学模型，引入了降维处理方法，能够在高保真的基础上，大幅提高发动机燃烧仿真的计算效率。机燃烧仿真的计算效率。机燃烧仿真的计算效率。

【技术实现步骤摘要】
一种燃烧反应动力系统智能化计算方法、设备及存储介质


[0001]本申请涉及一种燃烧仿真方法，属于动力
，尤其涉及一种燃烧反应动力系统智能化计算方法、设备及存储介质。

技术介绍

[0002]空天一体化战略对未来航空航天发动机技术提出了更高的要求，包括高推重比、低油耗率、宽工作范围、低污染物排放等，其中燃烧技术是影响发动机性能的关键因素。发动机燃烧是时间
‑
空间多尺度耦合、强非线性的复杂物理化学过程，实验研究成本高、测量手段有限，因此，计算流体力学(computational fluid dynamics，CFD)方法是研究发动机燃烧机理、优化发动机性能的重要手段。以波音系列飞机为例，CFD技术在其中扮演了不可或缺的角色，在优化设计中得到了全方面的应用，可以节省近50％的研发费用。
[0003]在燃烧数值模拟中，化学反应动力系统的演变规律可以用下述常微分方程(Ordinary differential equations，ODEs)表示：
[0004][0005]其中，y
i
(i＝1,2,
…
,N)为化学反应组分(质量分数)，N为化学反应中包含的组分数目，对应于不同组分的化学反应速率。以碳氢燃料为例，详细化学反应机理中通常包含几十甚至上百个组分，以及数百个基元反应，且不同基元反应的反应速率相差巨大，化学反应中的时间特征尺度跨越多个量级；同时，流场本身还存在不同的空间特征尺度。因此，化学反应常微分方程组的求解存在严重的刚性问题，使用常规的数值方法(例如Runge
‑
Kutta算法)进行求解需要使用极小的时间迭代步长确保稳定性，耗费大量的计算资源。研究发现，求解复杂燃烧化学反应过程常微分方程组的时间可以占到仿真总计算量的90％以上，故而大尺寸、高保真的发动机仿真设计难以实现，无法为实验测试、燃烧室设计、气动优化等提供有效的理论支撑。

技术实现思路

[0006]根据本申请的第一个方面，提供了一种能够大幅提升燃烧反应仿真计算效率的智能化计算方法，能够兼顾计算速度和计算精度。该方法包括：
[0007](1)根据燃料类型选取燃烧动力学模型，确定模型所含化学反应组分的数量、基元反应步的数量；
[0008](2)根据所述化学反应组分的数量、基元反应步的数量判断所述燃烧动力学模型是否为复杂模型；若为复杂模型，则先进行降维处理；否则，进入步骤(3)；
[0009](3)构建集成学习模型，利用所述化学反应的化学反应组分分布与热力学状态的数据集，对所述集成学习模型进行训练、验证；
[0010](4)利用训练好的所述集成学习模型，对化学反应组分分布与热力学状态进行预测。
[0011]优选地，步骤(2)中，所述降维处理的方式包括：
[0012]对所述化学反应中的所有组分进行主成分分析，将组分数目降低至目标维数；或，
[0013]对所述化学反应的化学反应组分分布与热力学状态所构成的高维空间进行K聚类，形成K个集群，对每个集群进行集成学习模型的训练。由于每个集群里的数据一般具有相同的特征，这时候所需要的集成学习模型结构会更简单，计算效率高，预测精度也更高。
[0014]优选地，所述集成学习模型采用梯度提升决策树。
[0015]优选地，所述集成学习模型的构建具体包括：
[0016](311)根据所述燃烧动力学模型，将燃烧化学反应动力系统的演化过程表述成如下自回归函数：
[0017][T,p,Y
i
]t+Δt
＝f([T,p,Y
i
]t
)
[0018]其中，[T,p,Y
i
]t
为当前时间步的化学反应组分分布与热力学状态，[T,p,Y
i
]t+Δt
为经过Δt时间步后的化学反应组分分布与热力学状态；T为温度；p为压强；Y
i
，i＝1,2,
…
,N为化学反应组分分布，N为化学反应中包含的组分数目；
[0019](312)构建决策树模型，基于所述决策树模型进行自回归分析，得到[T,p,Y
i
]t+Δt
的预测值；
[0020](313)采用梯度提升算法对所述决策树模型进行更新，每棵决策树都会对上一棵决策树的所述预测值与真实值之间的误差进行修正，逐渐逼近真实值，得到集成学习模型。
[0021]优选地，所述集成学习模型的训练包括：
[0022](321)对化学反应组分分布进行前处理；
[0023](322)将处理后的化学反应组分分布替换原始时间序列中的化学反应组分分布，利用时间序列对所述集成学习模型进行训练。
[0024]优选地，所述前处理的方式至少包括以下一种：对数变换、标准化、幂变换。
[0025]优选地，所述集成学习模型的验证采用交叉循环验证方法，将所述化学反应的化学反应组分分布与热力学状态的数据集随机分为X份，每次取其中一份数据作为测试集，另外X
‑
1份用于训练，依次循环X次。
[0026]优选地，所述集成学习模型验证还包括：利用判定系数R2对所述集成学习模型的预测精度进行评估。
[0027]根据本申请的第二个方面，提供了一种电子设备，包括存储器和处理器；
[0028]所述存储器上存储有计算机程序，所述计算机程序被处理器执行时实现上述燃烧反应动力系统智能化计算方法中的部分或全部步骤。
[0029]根据本申请的第三个方面，提供了一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时实现上述燃烧反应动力系统智能化计算方法中的部分或全部步骤。
[0030]本申请能产生的有益效果包括：
[0031]1)本申请所提供的燃烧反应动力系统智能化计算方法，能够克服燃烧反应动力系统常微分方程组求解中的“刚性”问题，直接预测下一个时间步的化学反应组分分布和热力学状态，无需依赖数值方法的迭代计算，大大提升了计算速度；
[0032]2)本申请所构建的集成学习模型基于决策树，不同于神经网络方法，本申请具有高度并行化的特点，能够与主流的CFD代码结构无缝集成，而无需依赖图形处理器(GPU)；
[0033]3)本申请在利用集成学习模型进行预测前，针对复杂的燃烧化学反应动力系统，引入了主成分分析、K聚类等辅助方法，以应对化学反应组分增加所导致的“维度灾难”问题。
附图说明
[0034]图1为本申请一种实施方式中燃烧反应动力系统智能化计算方法的流程示意图；
[0035]图2为本申请一种实施方式中利用主成分分析法进行降维处理的示意图；
[0036]图3为本申请一种实施方式中利用K聚类进行降维处理的示意图；
[0037]图4为本申请一种实施方式中集成学习模型及其采用的梯度提升算法示意图；
[0038]图5为本申请一个实施例中的测试结果及对比图。
具体实本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种燃烧反应动力系统智能化计算方法，其特征在于，该方法包括：(1)根据燃料类型选取燃烧动力学模型，确定模型所含化学反应组分的数量、基元反应步的数量；(2)根据所述化学反应组分的数量、基元反应步的数量判断所述燃烧动力学模型是否为复杂模型；若为复杂模型，则先进行降维处理；否则，进入步骤(3)；(3)构建集成学习模型，利用所述化学反应的化学反应组分分布与热力学状态的数据集，对所述集成学习模型进行训练、验证；(4)利用训练好的所述集成学习模型，对化学反应组分分布与热力学状态进行预测。2.根据权利要求1所述的燃烧反应动力系统智能化计算方法，其特征在于，步骤(2)中，所述降维处理的方式包括：对所述化学反应中的所有组分进行主成分分析，将组分数目降低至目标维数；或，对所述化学反应的化学反应组分分布与热力学状态所构成的高维空间进行K聚类，形成K个集群，对每个集群进行集成学习模型的训练。3.根据权利要求1所述的燃烧反应动力系统智能化计算方法，其特征在于，所述集成学习模型采用梯度提升决策树。4.根据权利要求3所述的燃烧反应动力系统智能化计算方法，其特征在于，所述集成学习模型的构建具体包括：(311)根据所述燃烧动力学模型，将燃烧化学反应动力系统的演化过程表述成如下自回归函数：[T，p，Y
i
]
t+Δf
＝f([T，p，Y
i
]
t
)其中，[T,p,Y
i
]
t
为当前时间步的化学反应组分分布与热力学状态，[T,p,Y
i
]
t+Δt
为经过Δt时间步后的化学反应组分分布与热力学状态；T为温度；p为压强；Y
i
，i＝1,2,
…

【专利技术属性】
技术研发人员：姚松柏，张文武，
申请(专利权)人：中国科学院宁波材料技术与工程研究所，
类型：发明
国别省市：