[發(fā)明專利]一種基于ANN模型的化學(xué)反應(yīng)動力學(xué)計(jì)算方法

在審

• 申請?zhí)枺?/td>: 202210866583.0
• 申請日: 2022-07-22
• 公開（公告）號: CN115206448A
• 公開（公告）日: 2022-10-18
• 發(fā)明（設(shè)計(jì)）人: 賈明;韓旭
• 申請（專利權(quán)）人: 大連理工大學(xué)
• 主分類號: G16C20/10
• 分類號: G16C20/10;G16C20/70;G06F30/27;G06K9/62;G06F111/10;G06F119/08;G06F119/14
• 代理公司: 大連智高專利事務(wù)所(特殊普通合伙) 21235
• 代理人: 宋文君

本發(fā)明涉及一種基于ANN模型的化學(xué)反應(yīng)動力學(xué)計(jì)算方法，該計(jì)算方法包含預(yù)判式分類器、數(shù)據(jù)轉(zhuǎn)化模塊以及基于多層感知器的回歸模型等計(jì)算模塊；預(yù)判式分類器先對輸入數(shù)據(jù)進(jìn)行分類，再結(jié)合數(shù)據(jù)生成中對模擬過程的擾動，以及帶SiLU激活函數(shù)的回歸模型的使用，構(gòu)建成高精度的計(jì)算方法。本發(fā)明用簡捷有效的方法解決了燃燒化學(xué)反應(yīng)動力學(xué)模擬領(lǐng)域多年的技術(shù)難題，實(shí)現(xiàn)了同時(shí)具備高精度和高計(jì)算速度的預(yù)測算法。

技術(shù)領(lǐng)域

本發(fā)明屬于燃燒的數(shù)值仿真領(lǐng)域與機(jī)器學(xué)習(xí)和深度學(xué)習(xí)領(lǐng)域的交叉，針對化學(xué)反應(yīng)動力學(xué)的時(shí)序數(shù)值仿真，用一種基于ANN模型的化學(xué)反應(yīng)動力學(xué)計(jì)算方法替代傳統(tǒng)數(shù)值算法。

背景技術(shù)

為了對發(fā)動機(jī)做更好的優(yōu)化，以實(shí)現(xiàn)節(jié)能減排，發(fā)動機(jī)內(nèi)部燃燒的多維流體力學(xué)仿真計(jì)算是必不可少的。然而，高質(zhì)量的優(yōu)化往往需要大量的參數(shù)搜索，也就是大批量的多維燃燒模擬任務(wù)?；趥鹘y(tǒng)數(shù)值仿真技術(shù)的多維燃燒模擬在計(jì)算速度上無法滿足發(fā)動機(jī)優(yōu)化設(shè)計(jì)的需求。其主要速度瓶頸在于化學(xué)反應(yīng)動力學(xué)的計(jì)算。這就需要開發(fā)更高效的解法去完成每一時(shí)步的化學(xué)反應(yīng)動力學(xué)的仿真。許多旨在解決該問題的技術(shù)，如機(jī)理簡化法和列表法等，無法同時(shí)滿足足夠的精度和速度。而基于人工神經(jīng)網(wǎng)絡(luò)(ANN)的深度學(xué)習(xí)算法在理論上具備高精度高速度計(jì)算的潛力，特別是在用GPU的情況下。但是，為一個燃燒化學(xué)反應(yīng)機(jī)理構(gòu)建一個相應(yīng)的神經(jīng)網(wǎng)絡(luò)模型并不容易，需要用特殊的模型架構(gòu)和訓(xùn)練方法去設(shè)計(jì)和實(shí)現(xiàn)。

發(fā)明內(nèi)容

為了獲得高效的化學(xué)反應(yīng)動力學(xué)ANN模型，獲得在精度和速度上同時(shí)滿足燃燒多維模擬的化學(xué)反應(yīng)動力學(xué)模型，本發(fā)明提出了一種基于ANN模型的化學(xué)反應(yīng)動力學(xué)計(jì)算方法，其核心技術(shù)為設(shè)置預(yù)判式分類器。

本發(fā)明解決其技術(shù)問題所采用的技術(shù)方案是：一種基于ANN模型的化學(xué)反應(yīng)動力學(xué)計(jì)算方法，該計(jì)算方法包含預(yù)判式分類器、數(shù)據(jù)轉(zhuǎn)化模塊以及基于多層感知器的回歸模型等計(jì)算模塊；先是預(yù)判式分類器對輸入數(shù)據(jù)進(jìn)行分類，再結(jié)合數(shù)據(jù)生成中對模擬過程的擾動，以及帶SiLU連續(xù)性激活函數(shù)的回歸模型的使用，構(gòu)建成高精度的計(jì)算方法。

具體步驟如下：

步驟(1)，用預(yù)判式分類器先對輸入數(shù)據(jù)按當(dāng)前各變量的狀態(tài)值[c⁽ⁱ⁾,T⁽ⁱ⁾,P⁽ⁱ⁾]進(jìn)行分類，再按輸入數(shù)據(jù)各變量在該時(shí)步的變化量進(jìn)行分類；以便后續(xù)根據(jù)所判定的類別選擇對應(yīng)的數(shù)據(jù)轉(zhuǎn)化模塊與回歸模型；

步驟(2)，根據(jù)步驟(1)分類所指定的區(qū)段，使用該區(qū)段對應(yīng)的數(shù)據(jù)轉(zhuǎn)化模塊，對各變量的狀態(tài)值[c⁽ⁱ⁾,T⁽ⁱ⁾,P⁽ⁱ⁾]進(jìn)行數(shù)據(jù)轉(zhuǎn)化；

步驟(3)，根據(jù)步驟(1)分類所指定的區(qū)段，使用該區(qū)段對應(yīng)的回歸模型，以步驟(2)轉(zhuǎn)化后的數(shù)據(jù)作為輸入，經(jīng)過該回歸模型，預(yù)測與氣體各個變量在該時(shí)步的變化值相關(guān)的一組數(shù)據(jù)作為輸出；

步驟(4)，以步驟(3)的輸出值結(jié)合當(dāng)前時(shí)步開始時(shí)刻的各變量的狀態(tài)值[c⁽ⁱ⁾,T⁽ⁱ⁾,P⁽ⁱ⁾]，再經(jīng)過數(shù)據(jù)轉(zhuǎn)化模塊進(jìn)一步數(shù)據(jù)轉(zhuǎn)化，獲得最終的[c⁽ⁱ⁺¹⁾,T⁽ⁱ⁺¹⁾,P⁽ⁱ⁺¹⁾]作為當(dāng)前時(shí)步結(jié)束時(shí)刻的變量狀態(tài)值。

進(jìn)一步的，所述的步驟(1)中分類先按溫度劃分高低兩區(qū)域，再分別以單時(shí)步的溫度變化量劃分高低兩區(qū)域，共4個區(qū)域：高溫高溫度變化區(qū)、高溫低溫度變化區(qū)、低溫高溫度變化區(qū)、以及低溫低溫度變化區(qū)。

進(jìn)一步的，預(yù)判式分類器的具體實(shí)現(xiàn)形式是借助一種機(jī)器學(xué)習(xí)算法，為多層感知器、支持向量機(jī)、線性判別分析、二次判別分析或決策樹衍生模型中的任一種。

進(jìn)一步的，每個基于多層感知器的回歸模型有多個隱藏層，每個隱藏層使用SiLU作為激活函數(shù)。