基于随机森林模型的燃料燃烧动力学机理简化方法

《Fuel》：A kinetic mechanism reduction method for fuel combustion based on random forests model

燃烧机理简化中提出基于随机森林的“自下而上”方法，通过物种重要性动态构建简化机理，适用于烷烃、烯烃、醇类及醚类燃料在1200-2000K、1-20atm及0.5-2.0当量比条件下的仿真，点火延迟时间和层流火焰速度预测平均相对误差低于10%，计算成本降低2-3个数量级。

　　

卢洪彪|梁勇|孙博楠|王静波

四川大学化学工程学院，中国成都610065

摘要

简化包含众多物种和反应的燃料详细燃烧机制对于提高实际燃烧模拟和工程应用中的计算效率至关重要。本研究提出了一种基于随机森林（RF）模型的新简化方法，该方法根据物种的重要性逐步构建简化后的燃烧机制。与传统的“自上而下”方法（即淘汰被认为不重要的物种）不同，这种“自下而上”的策略从关键的初始物种（如燃料和产物）开始，并添加RF模型识别出的重要物种。该方法应用于各种燃料类别的详细燃烧机制，包括烷烃、烯烃、醇和醚，在广泛的条件下进行测试（1200 – 2000 K，1 – 20 atm，当量比0.5 – 2.0）。与详细燃烧机制的模拟结果相比，这些简化后的机制对点火延迟时间（IDT）和层流火焰速度（LFS）的预测平均相对误差在10%以内。进一步对平衡火焰温度、物种浓度变化和熄火曲线的验证表明，这些简化后的机制具有很高的准确性。结果表明，简化后的机制能够有效再现详细机制的行为，同时将计算成本降低了2 – 3个数量级。总体而言，基于RF的方法为燃烧机制简化提供了一个稳健且可推广的框架，具有跨多个领域的应用潜力。

部分摘录

1. 引言

烃类燃料的燃烧对能源转换、交通运输和环境保护等关键行业至关重要[1,2]。然而，准确模拟燃烧过程通常需要考虑大量的物种和反应，这导致计算复杂度很高且求解时间较长[3]。因此，简化燃料的燃烧机制已成为一个重要的研究领域。简化后的燃烧机制可以显著降低

方法论

特征选择是机器学习和数据科学中的一个基本概念，旨在从原始数据中识别最相关的信息，以提高模型性能和可解释性[33]。在燃烧动力学的背景下，简化详细燃烧机制可以被视为一个特征选择任务，其中每个物种都被视为一个特征。主要目标是保留能够捕捉燃烧本质特征的关键物种，同时消除冗余或不太重要的物种

结果与讨论

为了系统评估所提出的基于RF的简化方法的稳健性和通用性，采用了一种分层验证策略。首先选择了GRI-Mech 3.0机制，因为它规模适中，并且被广泛用作甲烷燃烧的基准。将简化后的机制与其他简化方法和实验数据的结果进行比较，发现其在物种数量更少的情况下仍具有更高的准确性。然后通过进一步简化来评估该方法的可扩展性

结论

本研究提出了一种基于RF的“自下而上”的燃烧机制简化策略。与传统的“自上而下”方法（即逐步淘汰物种）不同，所提出的方法从核心物种开始逐步构建简化后的机制，并由数据驱动的重要性指标进行指导。这确保了保留了对燃烧化学至关重要的关键物种，同时保持了计算效率。

该方法的有效性和稳健性得到了

CRediT作者贡献声明

卢洪彪：撰写 – 原始草案、方法论、概念化。梁勇：监督、资源提供。孙博楠：监督、资源提供。王静波：撰写 – 审稿与编辑、监督、资源提供、概念化。

利益冲突声明

作者声明他们没有已知的财务利益或个人关系可能影响本文所述的工作。

致谢

作者衷心感谢TaiHang实验室（编号A2043）的支持。