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 600～1 200 K，压力 1～5 MPa，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..误差；同时，PSO 优化后的 GA 模型可将相关系数提升到 0.999 9，进一步减小平均..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..数值模拟具有重要参考价值。
【 二维码展示 】
当前位置：
热门推荐
