学习 HyChem 模型的机器学习方法
化学物理
2023-12-12 v1
摘要
HyChem 方法近来被提出用于建模真实多组分燃料的高温燃烧。该方法将燃料热裂解与氧化裂解的集总反应步骤，同所得裂解产物氧化的详细化学机理相结合。然而，由于低温化学比高温化学更具燃料特异性，该方法在负温度系数（NTC）区间内通常与实验数据存在显著偏差。本文提出一种机器学习方法来学习可同时覆盖高温与低温区间的 HyChem 模型。具体而言，我们利用涵盖宽温度范围与当量比的点火延迟时间实验数据集建立 HyChem 模型。化学动力学模型被视为神经网络模型，进而采用为深度学习开发的随机梯度下降（SGD）技术进行训练。我们以 F-24（一种 Jet-A 衍生燃料）的 HyChem 模型学习展示该方法，并与先前采用遗传算法的工作进行比较。结果表明，SGD 方法可达到与遗传算法相当的模型性能，而计算成本降低 1000 倍。此外，借助 SGD 中的正则化，SGD 方法使动力学参数偏离初始值程度远小于遗传算法，因而更可能保留机理意义。最后，我们的方法构建于开源包之上，可应用于内燃机模拟中化学动力学模型的开发与优化。
引用
@article{arxiv.2104.07875,
title = {Machine Learning Approaches to Learn HyChem Models},
author = {Weiqi Ji and Julian Zanders and Ji-Woong Park and Sili Deng},
journal= {arXiv preprint arXiv:2104.07875},
year = {2023}
}