期刊文献+
共找到1篇文章
< 1 >
每页显示 20 50 100
基于机器学习的正庚烷燃料两阶段着火延迟时间预测
1
作者 刘昌文 李中淼 +3 位作者 李卫 吕顺 潘家营 王磊 《天津大学学报(自然科学与工程技术版)》 EI CAS CSCD 北大核心 2023年第5期443-451,共9页
燃料着火延迟时间对燃烧过程和发动机性能至关重要.传统上对燃料着火时刻的试验测量和模拟计算代价昂贵,基于人工智能的神经网络技术有望解决这一难题.针对正庚烷两阶段着火延迟时间,本文采用深度机器学习算法进行特征提取和训练,利用... 燃料着火延迟时间对燃烧过程和发动机性能至关重要.传统上对燃料着火时刻的试验测量和模拟计算代价昂贵,基于人工智能的神经网络技术有望解决这一难题.针对正庚烷两阶段着火延迟时间,本文采用深度机器学习算法进行特征提取和训练,利用遗传算法(GA)优化神经网络结构,结合粒子群优化(particle swarm optimization,PSO)算法训练优化模型,实现了宽工况范围内(温度600~1200 K,压力1~5MPa,当量比0.3~3.0)正庚烷着火延迟时间的准确预测.研究结果表明:与一般神经网络模型相比,基于GA优化后的模型可以大幅提高相关系数,降低平均绝对误差;同时,PSO优化后的GA模型可将相关系数提升到0.9999,进一步减小平均绝对误差和均方误差.所提出的预测模型表现出很高的准确性和稳定性.该研究对于发动机湍流燃烧高效数值模拟具有重要参考价值. 展开更多
关键词 深度机器学习 两阶段着火延迟时间 遗传算法 粒子群优化算法 正庚烷
在线阅读 下载PDF
上一页 1 下一页 到第
使用帮助 返回顶部