基于前馈神经网络作为CFD替代模型进行点火延迟预测的研究

《Fire》：Research on Prediction of Ignition Delay Using Feedforward Neural Networks as Surrogate Model of CFD

　　

摘要

基于解耦的十二烷骨架机制与计算流体动力学（CFD）数值框架，构建了一种多层前馈神经网络替代模型，用于预测恒容燃烧容器中的点火延迟。模型训练采用具有自适应阻尼系数的Levenberg–Marquardt优化器，以均方误差作为损失函数，并通过内置的提前停止机制防止过拟合，无需额外的权重衰减正则化处理。为消除初始参数设置带来的随机干扰，该替代模型进行了1000次重复训练，每次都随机重新初始化权重。研究系统地分析了隐藏神经元数量、数据划分策略、归一化方案以及样本大小对预测性能的影响。最优配置为：3个隐藏神经元、70:15:15的数据分割比例以及105个样本的训练集，该配置对数据归一化的敏感度较低。最终得到的替代模型结构简洁且高效，能够在800 K和1100 K条件下保持良好的预测精度，同时大幅降低计算成本。它为后续的碳氢燃料燃烧预测及不确定性量化提供了实用可靠的工具。该前馈神经网络替代模型将燃料燃烧预测的计算时间大幅缩短，每批60个样本的预测时间仅需15–20分钟。