神经网络宽度对燃烧室排放预测的影响

doi:10.7527/S1000-6893.2022.26816

流体力学与飞行力学

本期目录 | 过刊浏览 | 高级检索

前一篇 |

神经网络宽度对燃烧室排放预测的影响

王志凯¹^,²(), 陈盛¹, 范玮²

^1.中国航发湖南动力机械研究所，株洲 412002
^2.西北工业大学动力与能源学院，西安 710129

收稿日期:2021-12-14 修回日期:2021-12-30 接受日期:2022-01-10 出版日期:2022-01-20 发布日期:2022-01-18
通讯作者: 王志凯 E-mail:nhwzk12@126.com
基金资助:
国家级项目

Effect of neural network width on combustor emission prediction

Zhikai WANG¹^,²(), Sheng CHEN¹, Wei FAN²

^1.AECC Hunan Aviation Powerplant Research Institute，Zhuzhou 412002，China
^2.School of Power and Energy，Northwestern Polytechnical University，Xi’an 710129，China

Received:2021-12-14 Revised:2021-12-30 Accepted:2022-01-10 Online:2022-01-20 Published:2022-01-18
Contact: Zhikai WANG E-mail:nhwzk12@126.com
Supported by:
National Level Project

摘要/Abstract

摘要：

为研究神经网络宽度对航空发动机燃烧室排放预测的影响，基于录取的全环燃烧室排放试验数据，构建了以燃烧室进口空气温度、进口空气压力、供油流量和油气比为输入，CO和NO _x 排放指数为输出的神经网络预测模型，确定了最优网络宽度。结果表明，存在一个最优的网络宽度值，使得神经网络预测模型的拟合优度和预测精度达到最佳，本文最优的网络宽度为2⁴。通过拟合优度、误差分析和敏感性分析验证了构建的神经网络模型的准确性和泛化性。基于最优网络宽度的神经网络预测模型能够很好地挖掘输入参数与排放指数之间的映射关系，可作为给定工况参数下燃烧室排放预测工具。最后，基于敏感性分析，结合燃烧物理机理和试验现象对构建的神经网络可解释性进行了探讨。

关键词: 燃烧室, 排放, 神经网络宽度, 预测模型, 可解释性, 敏感性分析

Abstract:

To study the effect of neural network width on aero-engine combustor emission prediction， a neural network prediction model is established based on the experimental data of full annular combustor emission. The inlet air temperature， inlet air pressure， fuel flow rate and fuel-air ratio are defined as the input parameters， and CO and NO _x emission index as the output parameters of the model. Results indicate that there is an optimal network width value， which makes the best goodness of fit and prediction accuracy of the neural network prediction model， and the optimal network width in this study is 2⁴. The accuracy and generalization of the neural network model are verified by goodness of fit， error analysis and sensitivity analysis. The neural network prediction model based on the optimal network width can well mine the mapping relationship between input parameters and emission index， and can be used as a prediction tool for combustor emission with given operating parameters. Finally， based on sensitivity analysis， the interpretability of the constructed neural network is discussed in combination with the combustion physical mechanism and experimental phenomena.

Key words: combustor, emission, neural network width, prediction model, interpretability, sensitivity analysis

中图分类号:

V231.2

王志凯, 陈盛, 范玮. 神经网络宽度对燃烧室排放预测的影响[J]. 航空学报, 2023, 44(5): 126816-126816.

Zhikai WANG, Sheng CHEN, Wei FAN. Effect of neural network width on combustor emission prediction[J]. ACTA AERONAUTICAET ASTRONAUTICA SINICA, 2023, 44(5): 126816-126816.

图/表 12

图 1

表 1

图 2

图 3

图 4

图 5

图 6

图 7

图 8

图 9

图 10

图 11

参考文献 37

1	DHANUKA S K， TEMME J E， DRISCOLL J F. Unsteady aspects of lean premixed prevaporized gas turbine combustors： Flame-flame interactions［J］. Journal of Propulsion and Power， 2011， 27（3）： 631-641.
2	HEATH C M. Characterization of swirl-venturi lean direct injection designs for aviation gas turbine combustion［J］. Journal of Propulsion and Power， 2014， 30（5）： 1334-1356.
3	CHEN J， LI J Z， YUAN L， et al. Flow and flame characteristics of a RP-3 fuelled high temperature rise combustor based on RQL［J］. Fuel， 2019， 235： 1159-1171.
4	MONGIA H. TAPS： A fourth generation propulsion combustor technology for low emissions［C］∥ AIAA International Air and Space Symposium and Exposition： The Next 100 Years. Reston： AIAA， 2003.
5	WANG Z K， ZENG Z X， LI K， et al. Effect of structure parameters of the flow guide vane on cold flow characteristics in trapped vortex combustor［J］. Journal of Hydrodynamics， Ser B， 2015， 27（5）： 730-737.
6	DENG Y B， WU H W， SU F M. Combustion and exhaust emission characteristics of low swirl injector［J］. Applied Thermal Engineering， 2017， 110： 171-180.
7	ZHANG C， HUI X， LIN Y Z， et al. Recent development in studies of alternative jet fuel combustion： Progress， challenges， and opportunities［J］. Renewable and Sustainable Energy Reviews， 2016， 54： 120-138.
8	LI J Z， YUAN L， MONGIA H C. Simulation of combustion characteristics in a hydrogen fuelled lean single-element direct injection combustor［J］. International Journal of Hydrogen Energy， 2017， 42（5）： 3536-3548.
9	MEZIANE S， BENTEBBICHE A. Numerical study of blended fuel natural gas-hydrogen combustion in rich/quench/lean combustor of a micro gas turbine［J］. International Journal of Hydrogen Energy， 2019， 44（29）： 15610-15621.
10	张伟伟，寇家庆，刘溢浪. 智能赋能流体力学展望［J］. 航空学报， 2021， 42（4）： 524689.
	ZHANG W W， KOU J Q， LIU Y L. Prospect of artificial intelligence empowered fluid mechanics［J］. Acta Aeronautica et Astronautica Sinica， 2021， 42（4）： 524689 （in Chinese）.
11	范周伟，余雄庆，王朝，等. 基于深度神经网络的客机总体设计参数敏感性分析［J］. 航空学报， 2021， 42（4）： 524353.
	FAN Z W， YU X Q， WANG C， et al. Sensitivity analysis of key design parameters of commercial aircraft using deep neural network［J］. Acta Aeronautica et Astronautica Sinica， 2021， 42（4）： 524353 （in Chinese）.
12	AGHBASHLO M， PENG W X， TABATABAEI M， et al. Machine learning technology in biodiesel research： A review［J］. Progress in Energy and Combustion Science， 2021， 85： 100904.
13	KOU J Q， ZHANG W W. Data-driven modeling for unsteady aerodynamics and aeroelasticity［J］. Progress in Aerospace Sciences， 2021， 125： 100725.
14	ZHOU L， SONG Y T， JI W Q， et al. Machine learning for combustion［J］. Energy and AI， 2022， 7： 100128.
15	FU J H， YANG R M， LI X， et al. Application of artificial neural network to forecast engine performance and emissions of a spark ignition engine［J］. Applied Thermal Engineering， 2022， 201： 117749.
16	AZZAM M， AWAD M， ZEAITER J. Application of evolutionary neural networks and support vector machines to model NO_x emissions from gas turbines［J］. Journal of Environmental Chemical Engineering， 2018， 6（1）： 1044-1052.
17	BENDU H， DEEPAK B， MURUGAN S. Application of GRNN for the prediction of performance and exhaust emissions in HCCI engine using ethanol［J］. Energy Conversion and Management， 2016， 122： 165-173.
18	WANG G Y， AWAD O I， LIU S Y，et al. NO_x emissions prediction based on mutual information and back propagation neural network using correlation quantitative analysis［J］. Energy， 2020， 198： 117286.
19	赵刚，朱华昕，李苏辉，等. 基于数据和神经网络的燃气轮机NO_x排放预测与优化［J］. 动力工程学报， 2021， 41（1）： 22-27.
	ZHAO G， ZHU H X， LI S H， et al. NO_x emission prediction and optimization for gas turbines based on data and neural network［J］. Journal of Chinese Society of Power Engineering， 2021， 41（1）： 22-27 （in Chinese）.
20	KUTZ J N. Deep learning in fluid dynamics［J］. Journal of Fluid Mechanics， 2017， 814： 1-4.
21	LING J L， KURZAWSKI A， TEMPLETON J. Reynolds averaged turbulence modelling using deep neural networks with embedded invariance［J］. Journal of Fluid Mechanics， 2016， 807： 155-166.
22	LECUN Y， BENGIO Y， HINTON G. Deep learning［J］. Nature， 2015， 521（7553）： 436-444.
23	DUFERA T T. Deep neural network for system of ordinary differential equations： Vectorized algorithm and simulation［J］. Machine Learning with Applications， 2021， 5： 100058.
24	BOUWMANS T， JAVED S， SULTANA M， et al. Deep neural network concepts for background subtraction： A systematic review and comparative evaluation［J］. Neural Networks， 2019， 117： 8-66.
25	CHEN C L P， LIU Z L. Broad learning system： an effective and efficient incremental learning system without the need for deep architecture［J］. IEEE Transactions on Neural Networks and Learning Systems， 2018， 29（1）： 10-24.
26	LU Z， PU H， WANG F，et al. The expressive power of neural networks：A view from the width［C］∥ Proceedings of the 31st International Conference on Neural Information Processing Systems， 2017：6231-6239.
27	FUJITA O. Statistical estimation of the number of hidden units for feedforward neural networks［J］. Neural Networks， 1998， 11（5）： 851-859.
28	SHEELA K G， DEEPA S N. Review on methods to fix number of hidden neurons in neural networks［J］. Mathematical Problems in Engineering， 2013， 2013： 425740.
29	RUMELHART D E， HINTON G E， WILLIAMS R J. Learning representations by back-propagating errors［J］. Nature， 1986， 323（6088）： 533-536.
30	BA L M， XIONG X Y， YANG Z B， et al. A novel multi-physics and multi-dimensional model for solid oxide fuel cell stacks based on alternative mapping of BP neural networks［J］. Journal of Power Sources， 2021， 500： 229784.
31	LIANG W， WANG G W， NING X J， et al. Application of BP neural network to the prediction of coal ash melting characteristic temperature［J］. Fuel， 2020， 260： 116324.
32	HAN Z Z， MOINUL HOSSAIN M， WANG Y W， et al. Combustion stability monitoring through flame imaging and stacked sparse autoencoder based deep neural network［J］. Applied Energy， 2020， 259： 114159.
33	HORNIK K， STINCHCOMBE M， WHITE H. Multilayer feedforward networks are universal approximators［J］. Neural Networks， 1989， 2（5）： 359-366.
34	成科扬，王宁，师文喜，等. 深度学习可解释性研究进展［J］. 计算机研究与发展， 2020， 57（6）： 1208-1217.
	CHENG K Y， WANG N， SHI W X， et al. Research advances in the interpretability of deep learning［J］. Journal of Computer Research and Development， 2020， 57（6）： 1208-1217 （in Chinese）.
35	纪守领，李进锋，杜天宇，等. 机器学习模型可解释性方法、应用与安全研究综述［J］. 计算机研究与发展， 2019， 56（10）： 2071-2096.
	JI S L， LI J F， DU T Y， et al. Survey on techniques， applications and security of machine learning interpretability［J］. Journal of Computer Research and Development， 2019， 56（10）： 2071-2096 （in Chinese）.
36	PAHLAVAN R. Energy input-output analysis and application of artificial neural networks for predicting greenhouse basil production［J］. Energy， 2012， 37（1）： 171-176.
37	LEFEBVRE A H. Gas turbine combustion［M］. New York： Hemisphere Publishing Corporation，1983.

E-mail：hkxb@buaa.edu.cn

关于我们

期刊社服务

专业学科

封面文章

友情链接

主管单位：中国科学技术协会主办单位：中国航空学会北京航空航天大学

测试参数	测试精度
P_t3，P_t4/MPa	±0.5%
T_t3，T_t4/K	±0.5%
m_a3/（kg∙s^-1）	±1.0%
m_f/（g∙s^-1）	±0.5%

[1]	王睿, 周洲, 郭荣化, 黄悦琛. 太阳能无人机伞降着陆多体动力学仿真与试验[J]. 航空学报, 2022, 43(8): 225721-225721.
[2]	赵明皓, 王可, 王致程, 朱亦圆, 李清安, 范玮. 燃烧室构型对旋转爆震波传播特性的影响[J]. 航空学报, 2022, 43(5): 125372-125372.
[3]	张冬辉, 张泰华, 崔燕香, 陈臣, 王生. 平流层系留气球气动参数敏感性分析[J]. 航空学报, 2022, 43(5): 125083-125083.
[4]	刘天元, 郑杭彬, 杨长祺, 鲍劲松, 汪俊亮, 顾俊. 面向激光焊接缺陷识别的可解释性深度学习方法[J]. 航空学报, 2022, 43(4): 524961-524961.
[5]	田佳, 张靖周, 谭晓茗, 王元帅. 旋转爆震燃烧室梯度复合热防护结构热分析模型及验证[J]. 航空学报, 2022, 43(3): 125271-125271.
[6]	曹凡, 张美芳, 胡骁, 唐智礼. 轴对称短舱自然层流优化及转捩敏感性分析[J]. 航空学报, 2022, 43(11): 527330-527330.
[7]	赵明皓, 王可, 王致程, 朱亦圆, 于潇栋, 范玮. 点火方式对空桶型旋转爆震燃烧室起爆特性的影响[J]. 航空学报, 2022, 43(1): 124870-124870.
[8]	颜黎明, 赵冬冬, 焦宁飞. 基于鲁棒模型的航空交流感应电机预测转矩控制[J]. 航空学报, 2021, 42(9): 324700-324700.
[9]	范周伟, 余雄庆, 王朝, 钟伯文. 基于深度神经网络的客机总体设计参数敏感性分析[J]. 航空学报, 2021, 42(4): 524353-524353.
[10]	李军, 栗智宇, 李志刚, 张垲垣, 宋立明. 燃烧室和涡轮相互作用下高压涡轮级气热性能研究进展[J]. 航空学报, 2021, 42(3): 24111-024111.
[11]	张磊, 于锦禄, 陈一, 胡长淮, 蒋永健, 田裕. 基于滑动弧的航空发动机燃烧室头部喷雾特性[J]. 航空学报, 2021, 42(3): 124308-124308.
[12]	宋欣, 沈华, 陈龙宝, 李天玉. Weibull分布参数估计值对细节疲劳额定强度的影响[J]. 航空学报, 2021, 42(3): 224759-224759.
[13]	王方, 王煜栋, 姜胜利, 陈军, 唐军, 徐华胜, 李象远, 邢竞文, 高东硕, 金捷. AECSC-JASMIN湍流燃烧仿真软件研发和检验[J]. 航空学报, 2021, 42(12): 625003-625003.
[14]	陈江涛, 赵娇, 章超, 刘深深, 张耀冰, 吴晓军. 数值模拟方法对NASA CRM模型阻力预测的影响[J]. 航空学报, 2020, 41(4): 123383-123383.
[15]	郑威, 陈怀海. MIMO随机振动试验控制的逆多步预测模型法[J]. 航空学报, 2020, 41(2): 223000-223000.

神经网络宽度对燃烧室排放预测的影响

Effect of neural network width on combustor emission prediction

RichHTML

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

图/表 12

参考文献 37

相关文章 15

编辑推荐

Metrics

本文评价