基于人工神经网络的化学机理用于煤油燃烧的高效计算建模
流体动力学
2020-03-03 v1
摘要
为了有效模拟以碳氢化合物为燃料的超音速发动机（如火箭基组合循环（RBCC）发动机）的燃烧，通常需要详细的化学机理，但计算代价高昂。为了加速化学计算，本研究引入了一种基于人工神经网络（ANN）的方法。该方法由自组织映射（SOM）和反向传播神经网络（BPNN）两层组成。SOM用于将数据集聚类为子集以降低非线性，而BPNN用于对每个子集进行回归。随后，该整体方法被用于建立包含41种物质的煤油燃烧骨架机理。训练数据由RBCC燃烧室的RANS模拟生成，然后输入到具有六种不同拓扑结构（三种不同SOM拓扑和两种不同BPNN拓扑）的SOM-BPNN中。通过将六种情况的预测结果与传统ODE求解器的结果进行比较，发现若拓扑设计合理，可在点火、淬熄和质量分数预测方面获得高精度结果。在效率方面，化学系统积分实现了8~20倍的加速，表明其在多种燃料的复杂化学机理中具有很大的应用潜力。
引用
@article{arxiv.2003.00428,
title = {Artificial neural network based chemical mechanisms for computationally efficient modeling of kerosene combustion},
author = {Jian An and Guo Qiang He and Kai Hong Luo and Fei Qin and Bing Liu},
journal= {arXiv preprint arXiv:2003.00428},
year = {2020}
}