基于PINNs的燃烧参数预测模型训练方法、应用方法及装置

本公开涉及神经网络和燃烧参数检测，更具体涉及一种基于pinns的燃烧参数预测模型训练方法、应用方法及装置。

背景技术：

1、为了提高燃烧效率和减少燃烧污染物的排放，需要获取燃烧过程中火焰场的相关参数，例如，火焰场的速度场、压力场和其他物质组分的分布信息等，通过火焰场的相关参数信息控制燃烧过程，进而提高燃烧效率和减少燃烧污染物的排放。相关技术中通过“物理信息神经网络”(physics-informed neural network，pinns)对火焰场中的相关参数进行预测。

2、在实现本公开构思的过程中，发明人发现相关技术中至少存在如下问题：其一，相关技术中没有可以动态预测火焰场相关参数的模型的训练方法；其二，相关技术中，由于神经网络的权重矩阵不唯一，即有很多种神经网络参数都能实现在同一组样本上取得较小损失值的效果，因此，难以训练出准确率较高的模型。

技术实现思路

1、鉴于上述问题，本公开提供了一种参数预测模型训练方法、参数预测模型应用方法及装置。

2、根据本公开的第一方面，提供了一种参数预测模型训练方法，包括：

3、获取训练样本集，其中，上述训练样本集包括多组样本参数信息，每组上述样本参数信息包括样本时空坐标以及与上述样本时空坐标一一对应的m个标准参数的测量值，其中，样本时空坐标包括样本空间坐标和样本时间坐标，m为大于2的正整数；

4、利用多组样本参数信息训练初始参数预测模型，直至损失函数满足预设条件，得到训练好的参数预测模型，其中，上述预设条件包括上述损失函数的函数值变化量小于阈值；上述初始参数预测模型的输入为上述样本时空坐标，上述初始参数预测模型的输出为n个目标参数的预测值，上述损失函数包括预测误差项和物理限制项，上述预测误差项是根据上述m个标准参数的测量值和预测值确定的，上述n个目标参数包括上述m个标准参数，上述物理限制项是根据上述样本时空坐标和上述n个目标参数的预测值确定的，n为大于m的正整数。

5、根据本公开的实施例，上述目标参数的预测值包括第一局部温度、第一流动速度、第一局部压力；

6、上述物理限制项包括第一质量守恒项、第一轴向动量守恒项、第一径向动量守恒项、第一能量守恒项和第一组分守恒项；

7、上述方法还包括：

8、基于第一燃烧反应原理，确定第一混合密度、第一动态粘度、第一定压比热、第一物质种类、第一物质分子量、第一摩尔生成速率、第一物质扩散速度、第一物质比焓和辐射传热；

9、基于上述样本空间坐标、上述第一混合密度和上述第一流向速度确定上述第一质量守恒项；

10、基于上述样本空间坐标、上述第一混合密度、上述第一流动速度、上述第一定压比热、上述第一局部温度、上述第一物质种类、上述第一物质分子量、上述第一摩尔生成速率、上述第一物质扩散速度、上述第一物质比焓和上述第一辐射传热确定上述第一轴向动量守恒项；

11、基于上述样本空间坐标、上述第一混合密度、上述第一流动速度、上述第一定压比热、上述第一局部温度、上述第一物质种类、上述第一物质分子量、上述第一摩尔生成速率、上述第一物质扩散速度、上述第一物质比焓和上述第一辐射传热确定上述第一径向动量守恒项；

12、基于上述样本空间坐标、上述混合密度、上述流动速度、上述定压比热、上述局部温度、上述物质种类、上述物质分子量、上述摩尔生成速率、上述物质扩散速度、上述物质比焓和上述辐射传热确定上述第一能量守恒项；

13、基于上述样本空间坐标、上述混合密度、上述流动速度、上述物质分子量、上述摩尔生成速率和上述物质扩散速度确定上述第一组分守恒项；以及

14、基于上述第一质量守恒项、上述第一轴向动量守恒项、上述第一径向动量守恒项、上述第一能量守恒项和上述第一组分守恒项，确定上述物理限制项。

15、根据本公开的实施例，上述目标参数的预测值包括第二局部温度、第二流动速度、第二局部压力；

16、上述物理限制项还包括第二能量守恒项、碳烟数密度项和碳烟质量分数项；

17、上述方法还包括：

18、基于第二燃烧反应原理，确定第二混合密度、第二动态粘度、第二定压比热、第二物质种类、第二物质分子量、第二摩尔生成速率、第二物质扩散速度、第二物质比焓和辐射传热、碳烟定压比热、碳烟分子量、碳烟摩尔生成速率、碳烟扩散速度、碳烟比焓、碳烟热泳速度、碳烟数密度和碳烟质量分数；

19、基于上述样本空间坐标、上述第二混合密度和上述第二流向速度确定上述第二质量守恒项；

20、基于上述样本空间坐标、上述第二混合密度、上述第二流动速度、上述第二定压比热、上述第二局部温度、上述第二物质种类、上述第二物质分子量、上述第二摩尔生成速率、上述第二物质扩散速度、上述第二物质比焓和上述第二辐射传热确定上述第二轴向动量守恒项；

21、基于上述样本空间坐标、上述第二混合密度、上述第二流动速度、上述第二定压比热、上述第二局部温度、上述第二物质种类、上述第二物质分子量、上述第二摩尔生成速率、上述第二物质扩散速度、上述第二物质比焓和上述第二辐射传热确定上述第二径向动量守恒项；

22、基于上述样本空间坐标、上述混合密度、上述流动速度、上述物质分子量、上述摩尔生成速率和上述物质扩散速度确定上述第二组分守恒项；

23、基于上述样本空间坐标、上述第二混合密度、上述第二流动速度、上述第二定压比热、上述第二局部温度、上述第二物质种类、上述第二物质分子量、上述第二摩尔生成速率、上述第二物质扩散速度、上述第二物质比焓、上述第二辐射传热、上述碳烟定压比热、上述碳烟质量分数、上述碳烟分子量、上述碳烟摩尔生成速率、上述碳烟扩散速度、上述碳烟比焓和上述碳烟热泳速度确定上述第二能量守恒项；

24、基于上述样本时间坐标、上述样本空间坐标、上述碳烟数密度、上述第二混合密度、上述第二流动速度和上述碳烟热泳速度确定上述碳烟数密度项；

25、基于上述样本时间坐标、上述样本空间坐标、上述碳烟质量分数、上述第二混合密度、上述第二流动速度和上述碳烟热泳速度确定上述碳烟质量分数项；以及

26、基于上述第二质量守恒项、上述第二轴向动量守恒项、上述第二径向动量守恒项、上述第二能量守恒项、上述第二组分守恒项、上述碳烟数密度项和上述碳烟质量分数项，确定上述物理限制项。

27、根据本公开的实施例，还包括：

28、基于碳烟生成反应式确定碳烟数密度的源项方程；

29、基于碳烟生成反应式、碳烟生长反应式和碳烟氧化反应式确定碳烟质量分数的源项方程。

30、根据本公开的实施例，上述标准参数的测量值包括温度和甲醛浓度；

31、上述方法还包括：

32、利用瑞利散射法获取火焰场的上述温度信息；以及

33、利用激光诱导荧光技术获取火焰场的甲醛信息。

34、根据本公开的实施例，上述标准参数的测量值还包括碳烟质量分数和碳烟数密度；

35、上述方法还包括：

36、利用调制吸收辐射法获取火焰场的碳烟分布信息，基于碳烟的分布信息计算碳烟的质量分数和碳烟数密度。

37、根据本公开的实施例，还包括：

38、在上述损失函数不满足上述预设条件的情况下，基于上述损失函数确定上述初始参数预测模型的模型更新参数；

39、基于链式法则将上述模型更新参数传播至隐藏层，对上述初始参数预测模型的模型参数进行更新，得到更新后的初始参数预测模型。

40、根据本公开的另一方面，提供了一种参数预测模型应用方法，包括：

41、获取待预测火焰场的时空坐标；以及

42、将上述时空坐标输入上述任一实施例的参数预测模型中，输出目标参数的预测值。

43、根据本公开的另一方面，提供了一种参数预测模型训练装置，包括：

44、样本获取模块，用于获取训练样本集，其中，上述训练样本集包括多组样本参数信息，每组上述样本参数信息包括样本时空坐标以及与上述样本时空坐标一一对应的m个标准参数的测量值，其中，样本时空坐标包括样本空间坐标和样本时间坐标，m为大于2的正整数；

45、模型训练模块，用于利用多组样本参数信息训练初始参数预测模型，直至损失函数满足预设条件，得到训练好的参数预测模型，其中，上述预设条件包括上述损失函数的函数值变化量小于阈值；上述初始参数预测模型的输入为上述样本时空坐标，上述初始参数预测模型的输出为n个目标参数的预测值，上述损失函数包括预测误差项和物理限制项，上述预测误差项是根据上述m个标准参数的测量值和预测值确定的，上述n个目标参数包括上述m个标准参数，上述物理限制项是根据上述样本时空坐标和上述n个目标参数的预测值确定的，n为大于m的正整数。

46、根据本公开的另一方面，提供了一种参数预测模型应用装置，包括：

47、坐标获取模块，用于获取待预测火焰场的时空坐标；

48、参数预测模块，用于将上述时空坐标输入上述任一实施例的参数预测模型中，输出目标参数的预测值。

49、根据本公开的实施例，获取样本时空坐标和与样本时空坐标一一对应的m个标准参数的测量值，作为训练参数预测模型的训练样本集，将样本参数信息中的样本时空坐标输入初始参数预测模型，通过空间坐标和时间坐标作为初始参数预测模型的输入对其进行训练，可以解决相关技术无法实时动态获取火焰场的目标参数预测值的问题。基于样本时空坐标和n个目标参数的预测值确定损失函数的物理限制项，通过物理层面的守恒方程对初始参数预测模型的损失函数进行进一步限制，提高了初始参数预测模型训练过程的可靠性。将预测误差项和物理限制项两部分作为初始参数预测模型的损失函数，并在损失函数的函数值变化量小于阈值的情况下，得到训练好的参数预测模型，一定程度上解决了相关技术中难以训练出准确率较高的参数预测模型的问题。另外，损失函数的预测误差项和物理限制项之间可以独立计算，提高了损失函数的计算速度，一定程度上提高了初始参数预测模型的训练效率。