Combustion kinetic model development using surrogate model similarity method
Combustion kinetic model development using surrogate model similarity method
复制标题
使用替代模型相似性方法开发燃烧动力学模型
DOI：
10.1080/13647830.2018.1454607
复制
发表时间：
2018-04
影响因子：
1.3
通讯作者：
Bin Yang
中科院分区：
文献类型：
--
作者：
Jiaxing Wang;Shuang Li;Bin Yang
理想的燃烧动力学模型需要在代表真实的发动机运行条件的宽范围的温度和压力下通过不同的实验目标来验证。然而，用于模型验证的室内实验条件往往受到实验技术的限制。为了改进某些条件下（例如，在相对较高的压力下）的模型预测，通常需要使用在其他条件下获得的实验数据。在这项工作中，替代模型相似性（SMS）的方法，提出了寻找实验条件或目标的模型优化在某些条件下，实验是很难进行。相似系数是通过不同模型预测的高维模型表示（HDMR）模型的特征系数（向量）之间的余弦相似度来计算的。相似系数越大，表示两个模型预测之间的关系越密切。在相关条件下，相似系数越大的实验数据对模型不确定度的降低越有效。为了证明这种方法，模拟进行了两个选定的燃烧系统与氢或甲醇作为燃料。该方法不仅在模型优化的可用实验数据选择方面具有优势，而且可以预先筛选出具有强约束效应的实验目标，从而为最大限度地利用实验资源提供了一种有效途径。
An ideal combustion kinetic model needs to be validated by different experimental targets over a wide range of temperatures and pressures that represent operating conditions in real engines. However, conditions of laboratory experiments for model validation are often limited by the constraint of experimental techniques. In order to improve model predictions under certain conditions (for example, at a relatively higher pressure), it is often needed to use the experimental data obtained under other conditions. In this work, the surrogate model similarity (SMS) method is proposed to find the experimental conditions or targets for model optimisation under certain conditions where the experiments are hard to be conducted. The similarity coefficient is calculated by the cosine similarity between the characteristic coefficients (vectors) of the High Dimensional Model Representation (HDMR) models for different model predictions. A larger similarity coefficient represents a closer relationship between two model predictions. The experimental data with larger similarity coefficients could be more effective to model uncertainty reduction under the concerned conditions. To demonstrate this method, simulations were conducted for two selected combustion systems with hydrogen or methanol as the fuel. In addition to its strength in available experimental data selection for model optimization, this method can be used to screen out experimental targets with strong constraint effect beforehand, thus providing an effective way to maximise utilisation of experimental resources.
登录
查看更多内容
影响因子：
1.5
作者：
A. Tomlin;E. Agbro;V. Nevrlý;Jakub Dlabka;M. Vasinek
通讯作者：
A. Tomlin;E. Agbro;V. Nevrlý;Jakub Dlabka;M. Vasinek
DOI：
10.1016/j.proci.2016.05.039
发表时间：
2017
期刊：
--
影响因子：
--
作者：
V. Samu;T. Varga;K. Brezinsky;T. Turányi
通讯作者：
V. Samu;T. Varga;K. Brezinsky;T. Turányi
影响因子：
3.7
作者：
Shengkai Wang;D. Davidson;R. Hanson
通讯作者：
Shengkai Wang;D. Davidson;R. Hanson
DOI：
10.1016/j.proci.2006.07.143
发表时间：
2007
期刊：
--
影响因子：
--
作者：
G. Dayma;K. Ali;P. Dagaut
通讯作者：
G. Dayma;K. Ali;P. Dagaut
影响因子：
4.9
作者：
A. Tomlin
通讯作者：
A. Tomlin