【科研成果】我院科研团队在辐射换热权威期刊发表最新研究进展,机器学习助力复杂气体光谱模型的预测

发布时间:2020-07-20 

近日,上海交通大学中英国际低碳学院长聘教轨副教授任涛团队在辐射换热领域权威学术期刊《Journal of Quantitative Spectroscopy and Radiative Transfer》上发表了用机器学习实现高温气体全光谱k分布预测的工作—“A Machine Learning Based Efficient and Compact Full-spectrum Correlated k-distribution Model”,论文第一作者为上海交通大学中英国际低碳学院硕士一年级研究生周亚,通讯作者为上海交通大学中英国际低碳学院副教授任涛。

二氧化碳、水蒸气和一氧化碳等气体是燃烧中的主要产物,对燃烧的高精度模拟和基于气体辐射测量的燃烧诊断都离不开对其辐射特性的准确计算。尽管逐线(line-by-line)气体模型能够提供精确的光谱的计算,但是由于气体光谱急剧变化的特点,应用逐线模型对光谱计算的分辨率要求极高,导致对气体光谱的计算量巨大,无法在高精度燃烧模拟中得到应用。而全光谱k分布模型基于对“杂乱无章”的气体光谱进行加权重排的思想,形成了用于辐射换热光谱模拟的气体混合物全光谱k分布,在保证了计算精度的同时,极大地减少了在光谱维度上的计算量。而包含二氧化碳、水蒸气和一氧化碳三种气体的全光谱k分布数据库大小有3.2 GB,在辐射换热的模拟计算当中,传输和加载如此庞大的数据库费力且耗时,且不易于和通用的CFD平台进行耦合。

低碳学院2019级硕士研究生周亚在任涛副教授的指导下,通过构建人工神经网络机器学习模型,提取了全光谱k分布数据库中约5%的数据对机器学习模型进行训练,最终形成了一个准确、高效且紧凑的基于机器学习的全光谱k分布模型。这个模型可以实现对二氧化碳、水蒸气和一氧化碳混合气体在温度区间为300K-3000K,压强区间为0.1bar-80bar下的任意热力学状态的全光谱k分布进行预测。相比之下,基于机器学习的全光谱k分布模型的计算效率比逐线法提高了五个数量级,模型的大小却只有35 MB。

读者可以通过联系论文通讯作者免费获取该模型。

 

作者介绍

周亚,上海交通大学中英国际低碳学院2019级研究生。2014年本科毕业于四川大学热能与动力工程专业,2014-2019年就职于四川华能嘉陵江水电有限责任公司,2019年于上海交通大学中英国际低碳学院攻读硕士学位,导师是任涛副教授,研究方向为机器学习及大数据在辐射换热中的应用。

任涛,现任上海交通大学中英国际低碳学院副教授,博士生导师。2008年本科毕业于西安交通大学热能与动力工程专业,2011年硕士毕业于华中科技大学热能工程专业。2015年于美国加州大学默塞德分校获博士学位。2015-2018年在加州大学默塞德分校从事博士后、讲师和助理项目科学家等工作。2018年9月入职上海交通大学。任涛副教授的研究领域集中在辐射换热、基于红外光谱和人工智能的燃烧诊断、高温气体光谱学以及大气污染物的光学监测等。

 

论文链接

论文链接:https://www.sciencedirect.com/science/article/abs/pii/S002240732030248X

沪交ICP备20170123  © 2017 上海交通大学中英国际低碳学院All Right Reserved