发动机燃烧组分RBF网络中心算法研讨.pdfVIP

中国工程热物理学会 燃烧学 学术会议论文 编号：084214 发动机燃烧组分 RBF 网络中心算法研究 郭晓平 王占杰 黄勇 大连理工大学内燃机研究所 大连116023 Tel: 041184708246-8210 Email: gxp190@163.com 摘要 本文通过分析发动机燃烧过程中组分质量变化特点，兼顾精度与计算费用双重因素，在一个组分 用一个神经网络的基础上，提出了分块选中心建立组分质量分数-温度 RBF 神经网络算法：在 F-T 图 中，将质量分数值动态划分成N 个区域，将温度划分成6个固定区域，在每个纵向区域和横向区域相 交的面积中各取一个样本作 RBF 网络中心。经过135直喷式柴油机燃烧计算验证，分块选中心法比随 机选样本作中心法所建的RBF神经网络的函数逼近精度有显著提高。 关键词 人工神经网络；RBF ；函数逼近；燃烧，化学组分 0 前言 研究发动机燃烧有害物生成机理，需要采用由几百个化学组分和几千个反应式构成 的详细动力学模型进行发动机工作过程计算，但是，直接将具有大量网格的多维 CFD 模 型与详细反应动力学模型耦合的计算量目前已大大超过了计算机的计算能力[1]。为此， 将计算机高性能计算的研究成果应用到发动机燃烧计算，已是迫在眉睫。 人工神经网络，简称“神经网络”，具有高度的非线性逼近能力、大规模的并行处 理能力、自学习、自组织和自适应能力、存储和应用经验知识的能力，近 20 年来，已 经广泛应用到智能控制、模式识别、计算机视觉、非线性优化、信号处理、生物医学知 识等领域，现在已经是数据挖掘和机器学习等领域的非常重要的计算模型。在发动机的 控制方面已广受关注。神经网络在简单环境中的火焰过程研究已经开展[2]，因此，将神 经网络用于发动机的燃烧研究是计算燃烧学的必然发展趋势。 在具有多层感知器(MLP)神经网络中，常用到的学习算法是反向传播学习(BPL)算法, 这一算法具有收敛速度慢、容易陷入局部最小等缺点。而与 BPL 相比，径向基函数(RBF) 有以下优点：RBF 使用一个隐含层就能模拟任何非线性函数，输出层使用简单的线性转 换，所以传统的线性建模技术就能将其充分优化，这就提高了训练速度，并且不容易陷 入局部最小；因为只在输出层和隐含层之间存在权值，所以 RBF 的计算量较小；RBF 网络隐含层的结点数及函数参数可以根据对训练样本的事先理解及输出要求来预先调 整。鉴于以上优点，本文采用 RBF 神经网络用于发动机燃烧计算。 发动机缸内燃烧过程，是极其复杂的空间瞬变湍流化学反应，对其进行计算机模拟 的 99%以上的计算量用于化学反应计算。所以，用神经网络来研究发动机的燃烧过程， 其关键是用神经网来揭示发动机缸内化学组分质量随燃烧过程的变化规律。 资助项目：AMD大学计划（2007-10） 温度是化学反应的重要影响因素，因此，组分质量分数与温度的关系(F-T)是燃烧分 析的重要依据。 发动机燃烧中的化学组分有几百个，若使用神经网络来进行函数逼近，那么，输入/ 输出神经元个数至少≥组分数，既有几百个输入/输出神经元。对于如此复杂的多变量的 超高维非线性复杂系统，从理论上来说，可以用径向基函数神经网络来表达这个系统的 [3] 。但是，当系统的输出变量之间的变化规律相差很大时，单一RBF 网络 内在函数特征 会使网络的学习计算效率很低，精度难以达到预期目标。 迄今为止，为了提高 RBF 神经网络函数逼近精度，发展了几种改进 RBF 神经网络。 Chen 等人[4]提出的正交最小二乘训练算法(OLS-RBF-ANN)，可以自动确定RBF 网络的 隐含层神经元个数。但是 OLS 方法不太适合于发动机组分神经网络的建立，因为组分