用于低温储罐热力学建模的实时数据同化

低温储罐的热管理需要先进的控制策略，以最小化由热泄漏及晃动增强的传热与传质所产生的蒸发损失。本工作提出一种数据同化方法，利用从多个储罐实时收集的数据来标定低温燃料储罐的零维热力学模型。该模型结合了三个控制体（气相蒸气、液体与固体罐壁）之间的能量与质量平衡，以及一个用于根据当前罐状态预测传热系数的人工神经网络（ANN）。所提方法融合了传统数据同化与多环境强化学习的思想，其中智能体的训练（模型同化）在多个环境（系统）上同步进行。实时同化采用带边界的有限内存 Broyden-Fletcher-Goldfarb-Shanno（L-BFGS-B）的小批量版本，以及基于伴随的梯度计算来求解底层优化问题。该方法在模拟经历不同运行阶段（增压、保压、长期存储与晃动）的多储罐合成数据集上进行了测试。结果表明，该同化对测量噪声具有鲁棒性，并利用噪声进一步探索参数空间。此外，我们显示同时从多环境采样可加速同化。