柴油机缸内组分分布研究.pdfVIP

中国工程热物理学会 燃烧学 学术会议论文 编号：084212 柴油机缸内组分分布研究 郭晓平 王占杰 大连理工大学内燃机研究所 大连116023 Tel: 041184708246-8210 Email: gxp190@163.com 摘要 为建立高质量的柴油机燃烧组分质量神经网络，本文提出以反应温度、o2和nc7h16组分质量分 数为判据的样本收集算法，并以该算法为基础，建立了正庚烷详细氧化机理为燃烧模型的 135 直喷式 柴油机工作过程样本集，并对样本集的组分质量分布特点进行了研究。研究结果表明，组分的质量分 数-温度图像可以分成 8 类：倒 U 型、空心型、双峰型、峭壁型、低温-高温型、微量型、特殊型和普 通型。其中以峭壁型分布组分数最多，占全部组分数的39.57%。 关键词 柴油机，数值计算，神经网络，化学组分，样本 0 前言 将人工神经网络(ANN)理论和技术用于燃烧领域仍然是燃烧界的研究课题。Blasco[1] 用 ANN 研究由 4 个反应式和 7 个化学组分组成的简化甲烷燃烧系统，结果表明，ANN 能够降低 RAM 存储需求且 CPU 运行时间比较经济。 人工神经网用人脑细胞的智能行为模拟现实问题，体现现实问题的内在规律。利用 神经网的这一特点，将实际问题的内在规律性与网络特点结合起来，可以实现简化神经 网结构、加速神经网训练和提高神经网逼近精度的目的。 数值计算求解燃烧化学模型的关键就是求经过δt 反应时间，反应系统中的化学组分 质量变化。文[2]证明，用数值计算求解这一过程需要花费大量计算时间。采用神经网络 技术解决燃烧计算量问题，实际上就是建立燃烧过程组分质量神经网络。为此，本文根 据柴油机燃烧数值计算结果，以建立组分质量神经网络为目标，分析缸内化学组分质量 变化规律，其研究结果，对选择神经网络模型及确定其重要参数是非常有益的。 建立神经网络需要经过 2 个步骤：确定网络模型和进行网络学习。网络模型根据具 体问题的需求决定，而网络学习是通过向环境学习获取知识来改进网络自身性能。学习 方式，按环境提供信息量的多少，分监督学习和非监督学习。监督学习亦称有教师学习， 这种学习方式需要外界存在一个“教师”，他可以对给定一组输入提供应有的输出结果。 这组已知的输入/输出数据称作训练样本集。神经网络的学习过程，就是根据已知输出 与实际输出之间的差值不断调节参数的过程。 非监督学习时不存在外部教师，学习系统完全按照环境提供数据的某些统计规律来 调节自身参数或结构，以表示出外部输入的某些固有特性，如聚类或某种统计上的分布 特征。 资助项目：AMD大学计划（2007-10） 对发动机燃烧过程组分质量神经网络的要求是，能够精确地给出指定输入下的输出， 因此，应该采用神经网络的监督学习方法。这就需要提供一定规模的训练样本集。发动 机燃烧过程数值计算不仅可以提供覆盖整个燃烧过程的详细数据，而且数据中所带噪音 比较少。 数值计算可以为神经网络学习提供大量数据，但样本集容量过大会增加神经网络学 习的计算负担。由于发动机燃烧过程相当复杂，影响因素也很多，这就需要研究自动构 建样本集的算法。本文从燃烧动力学的观点出发，提出以反应温度、o2 和 nc7h16 组分 质量分数为判据的样本收集算法，并以该算法为基础，建立了正庚烷详细氧化机理为燃 烧模型的 135 直喷式柴油机工作过程样本集，并对样本集的目标输出-组分质量分布的 特点进行了研究。 1 柴油机工作过程计算 [2] 135 型 4 气门非增压直喷柴油机 。柴油机缸内燃烧空间划分成 50000 个六面体控制 单元。喷油从 340℃A( 即上止点前 20°CA)开始，喷油持续 18°CA 。从喷油开始，间隔 -7