Применение метода нейросуррогатной оптимизации для уточнения скелетного химико-кинетического механизма горения авиационного керосина
В.В. Матюшков1, А.Г. Шмаков1,2, С.А. Трубачев1
1Институт химической кинетики и горения им. В.В. Воеводского СО РАН, Новосибирск, Россия
shmakov@kinetics.nsc.ru
2Институт теплофизики им. С.С. Кутателадзе, Новосибирск, Россия
Ключевые слова: нейросуррогат, оптимизация, авиационный керосин, скелетный химико-кинетический механизм, ламинарное пламя
Страницы: 763-777
Аннотация
В работе применен метод нейросуррогатной оптимизации для уточнения скелетного химико-кинетического механизма KCPsur, предсказывающего скорость горения модельного 4-х компонентного суррогатного авиационного топлива SU4 (смесь н-декана, изоцетана, метилциклогексана и тетралина). Многослойный перцептрон, обученный на 34 вариациях 5-и предэкспоненциальных множителей констант скоростей химических реакций, имеющих наибольший коэффициент чувствительности ламинарной скорости горения (flow rate A-factor sensitivity) в 27 контрольных точках, использовался взамен времязатратных расчетов скорости распространения ламинарных пламен в пакете программ CHEMKIN. Для оптимизации констант скоростей выбранных реакций, ответственных за превращение тетралина, применялся метод градиентного спуска, что позволило получить уточненный механизм KCPsur_neural. Новая химико-кинетическая модель более точно описывает скорость распространения ламинарного пламени (LBV) смесей керосина с воздухом в бедных и околостехиометрических условиях ( φ = 0.70 - 1.05) при давлениях до 8 атм, превосходя по точности исходный KCPsur и, в некоторых случаях, детальный механизм CRECK. Важной особенностью KCPsur_neural является его способность корректно описывать профили концентраций ряда важных интермедиатов в пламени смеси SU4/O2/Ar, что указывает на слабое влияние констант скоростей уточненных реакций на структуру изученных пламен. Это открывает возможность использования в дальнейшем двух независимых нейросуррогатных моделей для оптимизации механизмов горения топлив: одной - для их оптимизации в отношении LBV, другой - для описания структуры пламени с формированием отдельных обучающих выборок меньшей суммарной размерности. Показано, что предложенный подход обеспечивает ускорение оптимизации констант скоростей реакций примерно в 106 раз при использовании ограниченной обучающей выборки. Результаты демонстрируют высокую эффективность использования машинного обучения для преодоления ригидности сокращенных моделей горения и расширения их применимости до условий, релевантных для камер сгорания авиационных двигателей. Гражданская авиация представляет собой один из ключевых секторов мировой экономики, демонстрирующий устойчивый среднегодовой темп прироста на уровне 5 - 10 % [1]. Согласно данным международных организаций, совокупная доля выбросов парниковых газов, приходящаяся на авиацион
DOI: 10.63430/TIA202604015 |
