本发明涉及超临界航空煤油的热物理特性,尤其涉及一种超临界压力下航空煤油rp-3热物性的计算方法。
背景技术:
1、航空煤油rp-3作为超燃冲压发动机的工质同时还承担着冷却剂的作用。在航空发动机冷却通道内,伴随着压力和温度的上升,航空煤油达到超临界状态,其热物理特性与常温常压下有很大的不同。航空煤油rp-3其组成成分超过300种,其中链烷烃占52%,苯类占19%,环烷烃占16%,烯烃占8%,萘类占4%,其余占1%。在工程实际应用中,由于生产厂家以及燃料批次的不同,使得rp-3的组分存在差异,很难对所有成分进行逐一分析。
2、实验测量的方法能较为准确地得到超临界航空煤油的热物理特性,但实验手段存在数据少、成本高、耗时长等问题。数值计算的方法一般采用广义对应态法则(extendedcorresponding state,ecs)计算热物理特性,虽然弥补了实验手段存在的不足,但在计算的精度上还有待提高。
3、尤其航空煤油rp-3在拟临界区域存在密度陡降、粘度迅速下降、定压比热容出现峰值、导热系数下降等剧烈的物性变化,使得其物理化学特性变得更加复杂。
4、因此,亟需开发一种航空煤油rp-3热物性计算方法,既能满足超临界状态下的热物性精度需求,又能快速准确地得到所需密度、粘度、定压比热容和导热系数的数值,为超燃冲压发动机的研究提供有力的支持。
技术实现思路
1、本发明的目的是提出一种超临界压力下航空煤油rp-3热物性的计算方法,基于人工神经网络模型,可以更高效、精确地得到超临界压力下航空煤油rp-3密度、粘度、定压比热容和导热系数的四种热物理特性。
2、为了实现上述目的,本发明提供如下技术方案:
3、本发明提供一种超临界压力下航空煤油rp-3热物性的计算方法,包括如下步骤:
4、s1:获取超临界航空煤油rp-3的实验数据与ecs计算所得的数值数据,并将所有的数据做归一化预处理;数据包含超临界航空煤油rp-3的工况和热物性参数,工况中的温度范围为300~800k,压力范围为3~6mpa,热物性参数包括密度、粘度、定压比热容和导热系数;
5、s2:以步骤s1处理后的数据作为数据库,提取特征参数作为计算方法中的输入层和输出层;输入层特征参数为温度比和压力比,输出层特征参数为密度、粘度、定压比热容和导热系数;
6、s3:构建ann模型的拓扑结构,拓扑结构包括输入层、隐藏层和输出层,调整结构中隐藏层神经元的个数,使得模型的评价指标符合精度的需求;模型的评价指标包含平均相对误差和回归系数;
7、s4:将步骤s1的数据库按照不同的温度间隔划分为多个数据库,将不同数据库中的训练集用于开发步骤s3构建的ann模型,测试集用于评估模型的精度和效率;
8、s5:将步骤s4构建的ann模型用于超临界航空煤油rp-3的热物性预测,确定输入层的参数后由模型输出相应的热物性值。
9、进一步地,步骤s1采用最小最大值归一化处理,将原始数据x转换到0~1区间内的值,得到归一化后的数据x*,表示如下:
10、
11、其中xmax为样本数据的最大值,xmin为样本数据的最小值。
12、进一步地,步骤s2中输入特征参数和输出特征参数的关系用函数f(ρ,μ,cp,λ)=(t/tpc,p/ppc)表示,其中ρ指代密度,μ指代粘度,cp指代定压比热容,λ指代导热系数,t指代温度,p指代压强,tpc指代rp-3的临界温度,数值为645k,ppc指代rp-3的临界压力,数值为2.3mpa。
13、进一步地,步骤s3中隐藏层神经元个数采用以下三种关系式来调整:
14、n=2ni+1
15、
16、n=log2ni
17、其中n表示隐藏层神经元个数;ni表示输入层神经元个数,取值为2;no表示输出层神经元个数,取值为4;a是经验系数,取值为1~10,n的取值范围为3~12。
18、进一步地,步骤s3隐藏层神经元的个数n的取值为7。
19、进一步地,步骤s3平均相对误差mre和回归系数r2,其定义如下:
20、
21、
22、其中kd和kp分别是模型的预测值和实际值,是kd的平均值。k表示样本数量。
23、进一步地,步骤s4中数据库按照不同的温度间隔划分成四种数据库,分别为:
24、第一种数据库:温度区间300-800,温度间隔0.1k;
25、第二种数据库:温度区间300-800,温度间隔1k;
26、第三种数据库:温度区间300-800,温度间隔2k,温度区间300-600,温度间隔1k;
27、第四种数据库:温度区间600-700,温度间隔0.1k,温度区间700-800,温度间隔1k。
28、进一步地,步骤s4数据库中75%的数据作为训练集,25%的数据作为测试集。
29、另一方面,本发明还提供了一种超临界压力下航空煤油rp-3热物性的计算系统,包括以下模块以实现上述任一项所述的方法:
30、输入模块,用于接收rp-3的温度比和压力比;
31、预测模块,用于接收输入模块的信息,并基于人工神经网络模型预测rp-3的热物性;
32、输出模块,用于得到rp-3的密度、粘度、定压比热容和导热系数四个热物理值。
33、与现有技术相比,本发明具有以下有益效果:
34、本发明公开了超临界压力下航空煤油rp-3热物性的计算方法及系统,将以广义对应态法则计算得到的rp-3热物性结果用于模型的训练,并耦合了实验数据,得到热物性人工神经网络预测模型。建立的模型能准确、快速地预测超临界压力下rp-3的热物理特性,其计算精度比ecs计算的结果提高了16.3%,计算时间和所占内存分别为ecs的3/100和4/1000。本发明所述的计算方法预测超临界rp-3密度、粘度、定压比热容和导热系数的回归系数均大于0.99,与实验结果平均相对误差分别为1.5%、4.1%、0.9%和0.7%,取得了非常优秀的预测效果。
1.一种超临界压力下航空煤油rp-3热物性的计算方法,其特征在于,包括如下步骤:
2.根据权利要求1所述的超临界压力下航空煤油rp-3热物性的计算方法,其特征在于,步骤s1采用最小最大值归一化处理,将原始数据x转换到0~1区间内的值,得到归一化后的数据x*,表示如下:
3.根据权利要求1所述的超临界压力下航空煤油rp-3热物性的计算方法,其特征在于,步骤s2中输入特征参数和输出特征参数的关系用函数f(ρ,μ,cp,λ)=(t/tpc,p/ppc)表示,其中ρ指代密度,μ指代粘度,cp指代定压比热容,λ指代导热系数,t指代温度,p指代压强,tpc指代rp-3的临界温度,数值为645k,ppc指代rp-3的临界压力,数值为2.3mpa。
4.根据权利要求1所述的超临界压力下航空煤油rp-3热物性的计算方法,其特征在于,步骤s3中隐藏层神经元的个数采用以下三种关系式来调整:
5.根据权利要求1所述的超临界压力下航空煤油rp-3热物性的计算方法,其特征在于,步骤s3隐藏层神经元的个数n的取值为7。
6.根据权利要求1所述的超临界压力下航空煤油rp-3热物性的计算方法,其特征在于,步骤s3平均相对误差mre和回归系数r2,其定义如下:
7.根据权利要求1所述的超临界压力下航空煤油rp-3热物性的计算方法,其特征在于,步骤s4中数据库按照不同的温度间隔划分成四种数据库,分别为:
8.根据权利要求1所述的超临界压力下航空煤油rp-3热物性的计算方法,其特征在于,步骤s4数据库中75%的数据作为训练集,25%的数据作为测试集。
9.一种超临界压力下航空煤油rp-3热物性的计算系统,其特征在于,包括以下模块以实现权利要求1-8任一项所述的方法: