一种基于机器学习的含硼凝胶冲压发动机性能优化方法

本发明属于人工智能应用于推进系统性能优化，具体涉及一种基于机器学习的含硼凝胶冲压发动机性能优化方法。

背景技术：

1、高能凝胶推进剂应用于超燃冲压发动机，能有效提升燃烧室燃烧效率与发动机推力性能，成为当前高超声速飞行器发展新方向。数值分析表明，采用硼纳米颗粒燃料的吸气式通用高超音速飞行器(ghv)通过进气颗粒喷射比传统燃烧室喷射能获得更高的发动机和飞机性能[1-2]。

2、在超声速来流条件下，燃油混合、点火、稳定燃烧等方面存在较大困难。事实上，高效的超声速燃烧是很难实现的，文献中表明，即使是在设计点中，燃烧效率也很难达到70％[3]。颗粒燃烧效率低和发动机比冲低是限制固体火箭超燃冲压发动机进一步工程应用的关键因素。因此，为提高燃气与硼颗粒在补燃室的驻留时间，增强凝胶燃料、硼颗粒与空气掺混，提升硼颗粒的燃烧效率，开展含硼凝胶燃料燃烧组织研究对于新型冲压发动机性能优化有重要意义。

3、含能凝胶燃料的单液滴燃烧特性和常规冲压发动机湍流燃烧机制研究工作已经取得了丰富的研究成果，对单液滴特征燃烧过程和发动机可控燃烧机制形成了较为明确的认识，但含能凝胶燃料在冲压发动机中的热态燃烧试验、能量特性评估、应用性能研究等工作还十分欠缺。其中，多相多组分湍流燃烧机理仍不清楚；含能凝胶冲压发动机可控燃烧机制研究尚未深入；各机制对发动机性能耦合影响规律无法表征，无法提高含硼凝胶冲压发动机整机性能参数指标。

4、[1]mandal s,hashim s a,roy a,et al.a short review of challenges andprospects of boron-laden solid fuels for ramjet applications.fire phys chem,2023,3(3):179-200.

5、[2]m padwal,b natana,d mishra.gel propellants.progress in energy andcombustion science,2021,83:100885.

6、[3]kummitha o r,pandey k m,gupta r.numerical analysis ofhydrogenfueled scramjetcombustor with innovative designs of strutinjector.international journal of hydrogen energy,2020,45(25):13659-13671.

技术实现思路

1、针对现有技术的不足，本发明旨在提供一种基于机器学习的含硼凝胶冲压发动机性能优化方法，通过机器学习算法进行发动机性能优化，数值优化更加有益。

2、本发明通过如下技术方案实现。

3、一种基于机器学习的含硼凝胶冲压发动机性能优化方法，其特征在于，包括如下步骤：

4、a：确定需要优化的发动机参数，利用求解器进行不同工况的发动机数值仿真计算；

5、b：通过求解器进行发动机温升效率和比冲等数据的计算，整理成机器学习所需要的行式数据，在数据处理软件中填入；

6、c：通过核极限学习机，进行数据优化处理，能够直接输出温升效率最大时，确定发动机的最佳参数；

7、d：根据上述核极限学习机学习的结果利用数值仿真软件进行方向求解验证并与其进行对比，计算得出核极限学习机学习结果与数值仿真软件结果，误差小于3％，验证了机器学习模型的有效性；

8、所述求解器开发的建立步骤如下：

9、(1)确定高性能计算软件

10、确定了高性能计算软件就确定了几何模型导入的格式和计算结果输出的格式，进而确定前处理和后处理软件的选择和文件数据传输要求格式；

11、(2)编写前处理软件调用前后接口文件

12、编写前处理软件调用所需的命令文件，设置前处理软件所需参数及几何、网格等文件输出格式；

13、(3)编写高精度仿真商业软件求解器所需的设计或仿真模板pdl文件

14、由于高精度仿真商业软件求解器模块提供参数化设计语言pdl进行二次开发，因此可以通过pdl预先定义参数化设计过程及其输入输出接口模板，并将其保存为pdl文件；pdl文件定义完成后，使用求解器调用该文件执行，确定pdl文件无误，能够满足求解要求；

15、(4)编写后处理软件调用前后接口文件

16、编写后处理软件调用所需的命令文件，设置后处理软件输入命令，设置后处理软件输出数据格式；

17、(5)封装商业软件模块

18、pdl文件定义完成后，需要模块封装器对商业软件数据进行封装，进一步统一数据格式，实现数据无缝传递；通过模块封装器新建基于标准规范的商业软件模块输入和输出参数；加载pdl文件内容，将pdl文件中的输入、输出数据分别与标准规范的输入、输出参数关联；定义求解器安装路径，便于模块调用求解器执行求解；通过简单步骤实现对商业软件的pdl文件和求解器的封装，同时也实现对商业软件模块的集成；

19、所述核极限学习机模型的建立步骤如下：

20、(1)将原始样本集划分为训练集和测试集；

21、(2)在可接受的范围内随机初始化核极限学习机的模型特征参数；

22、(3)定超启发式优化算法的初始参数，包括种群的初始适应度、各粒子的历史最优解以及种群的当前最佳解。确定优化惩罚函数系数γ以及三种粒子种群的更新速度和位置，计算新的适应度值pbestm，pbests pbesth最优适应度值的粒子为本次迭代的最优适应度值记为gbesti，并比较gbesti和gbesti-1选择最优的记为全局最优解；

23、(4)检查是否满足超启发优化算法的终止条件，如果满足，输出全局最优解，若不满足，重复上述步骤(1)至步骤(4)；

24、(5)迭代计算训练集的mselooiv，如果迭代次数达到预设的最大迭代次数或mselooc小于等于预设的阈值ε1，中止超启发优化算法并获得次优模型特征参数集s1；

25、(6)随后，设置单纯性搜索的参数，利用s1作为单纯形搜索的初代单纯形执行局部搜索。如果mseloocv的计算次数达到预设值或者相邻两次单纯形搜索得到的最优函数值之间的差值小于阈值ε2则停止算法，输出模型特征参数集s2。

26、进一步，步骤a中，需要优化的发动机参数包括发动机的最佳射流喷嘴安装位置、喷射角度、凹腔长/深比、硼颗粒直径、质量分数以及射流速度。

27、本发明采用拉丁超立方采样进行仿真工况设计，融合超启发优化算法和单纯性搜索优化形成核极限学习机，基于机器学习方法建立了燃料喷注和燃烧室构型等六组输入参数与燃烧效率和比冲两组输出参数之间的映射模型，开展燃烧室性能优化研究。最终表明，所建立的机器学习模型误差小于3％，通过机器学习得到的冲压发动机最大燃烧效率为81.71％，质量比冲为1178.45，性能分别提升12.77％、32.55％。

28、与现有技术相比，本发明的优点是：

29、1、通过机器学习算法进行发动机性能优化，数值优化更加有益。

30、2、优化流程简单，对应程序能够直接提供优化结果

31、3、时间成本低。