[发明专利]一种基于ANN模型的化学反应动力学计算方法

说明书

本发明涉及一种基于ANN模型的化学反应动力学计算方法，该计算方法包含预判式分类器、数据转化模块以及基于多层感知器的回归模型等计算模块；预判式分类器先对输入数据进行分类，再结合数据生成中对模拟过程的扰动，以及带SiLU激活函数的回归模型的使用，构建成高精度的计算方法。本发明用简捷有效的方法解决了燃烧化学反应动力学模拟领域多年的技术难题，实现了同时具备高精度和高计算速度的预测算法。

技术领域

本发明属于燃烧的数值仿真领域与机器学习和深度学习领域的交叉，针对化学反应动力学的时序数值仿真，用一种基于ANN模型的化学反应动力学计算方法替代传统数值算法。

背景技术

为了对发动机做更好的优化，以实现节能减排，发动机内部燃烧的多维流体力学仿真计算是必不可少的。然而，高质量的优化往往需要大量的参数搜索，也就是大批量的多维燃烧模拟任务。基于传统数值仿真技术的多维燃烧模拟在计算速度上无法满足发动机优化设计的需求。其主要速度瓶颈在于化学反应动力学的计算。这就需要开发更高效的解法去完成每一时步的化学反应动力学的仿真。许多旨在解决该问题的技术，如机理简化法和列表法等，无法同时满足足够的精度和速度。而基于人工神经网络(ANN)的深度学习算法在理论上具备高精度高速度计算的潜力，特别是在用GPU的情况下。但是，为一个燃烧化学反应机理构建一个相应的神经网络模型并不容易，需要用特殊的模型架构和训练方法去设计和实现。

发明内容

为了获得高效的化学反应动力学ANN模型，获得在精度和速度上同时满足燃烧多维模拟的化学反应动力学模型，本发明提出了一种基于ANN模型的化学反应动力学计算方法，其核心技术为设置预判式分类器。

本发明解决其技术问题所采用的技术方案是：一种基于ANN模型的化学反应动力学计算方法，该计算方法包含预判式分类器、数据转化模块以及基于多层感知器的回归模型等计算模块；先是预判式分类器对输入数据进行分类，再结合数据生成中对模拟过程的扰动，以及带SiLU连续性激活函数的回归模型的使用，构建成高精度的计算方法。

具体步骤如下：

步骤(1)，用预判式分类器先对输入数据按当前各变量的状态值[c⁽ⁱ⁾,T⁽ⁱ⁾,P⁽ⁱ⁾]进行分类，再按输入数据各变量在该时步的变化量进行分类；以便后续根据所判定的类别选择对应的数据转化模块与回归模型；

步骤(2)，根据步骤(1)分类所指定的区段，使用该区段对应的数据转化模块，对各变量的状态值[c⁽ⁱ⁾,T⁽ⁱ⁾,P⁽ⁱ⁾]进行数据转化；

步骤(3)，根据步骤(1)分类所指定的区段，使用该区段对应的回归模型，以步骤(2)转化后的数据作为输入，经过该回归模型，预测与气体各个变量在该时步的变化值相关的一组数据作为输出；

步骤(4)，以步骤(3)的输出值结合当前时步开始时刻的各变量的状态值[c⁽ⁱ⁾,T⁽ⁱ⁾,P⁽ⁱ⁾]，再经过数据转化模块进一步数据转化，获得最终的[c⁽ⁱ⁺¹⁾,T⁽ⁱ⁺¹⁾,P⁽ⁱ⁺¹⁾]作为当前时步结束时刻的变量状态值。

进一步的，所述的步骤(1)中分类先按温度划分高低两区域，再分别以单时步的温度变化量划分高低两区域，共4个区域：高温高温度变化区、高温低温度变化区、低温高温度变化区、以及低温低温度变化区。

进一步的，预判式分类器的具体实现形式是借助一种机器学习算法，为多层感知器、支持向量机、线性判别分析、二次判别分析或决策树衍生模型中的任一种。

进一步的，每个基于多层感知器的回归模型有多个隐藏层，每个隐藏层使用SiLU作为激活函数。