基于人工神经网络模型的超临界RP-3热物性计算_陶凯航.pdf

文章编号：1000-8055（2023）04-0806-10doi：10.13224/ki.jasp.20220836基于人工神经网络模型的超临界 RP-3热物性计算陶凯航1，2，朱剑琴1，2，程泽源1，2（1.北京航空航天大学能源与动力工程学院，北京100191；2.北京航空航天大学航空发动机气动热力国家级重点实验室，北京100191）摘要：为准确得到超临界压力下 RP-3 的热物性，基于人工神经网络（ANN）方法建立超临界 RP-3 的密度、黏度、比定压热容和导热系数的计算模型。以广义对应态法则计算得到的 RP-3 热物性结果训练神经网络，并耦合了实验误差模型得到修正后的 ANN 模型。计算温度变化范围为 300800K，压力变化范围为36MPa。结果表明：ANN 模型能准确地预测超临界 RP-3 的热物性，且计算精度比广义对应态法则计算得到的结果提高了 16.3%。在压力为 5MPa 的工况下，ANN 模型预测的密度、黏度、比定压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%。关键词：超临界；航空煤油 RP-3；广义对应态法则；人工神经网络模型；热物性中图分类号：V231文献标志码：ACalculationofthermophysicalpropertiesofsupercriticalRP-3basedonartificialneuralnetworkmodelTAOKaihang1，2，ZHUJianqin1，2，CHENGZeyuan1，2（1.SchoolofEnergyandPowerEngineering，BeihangUniversity，Beijing100191，China；2.NationalKeyLaboratoryofScienceandTechnologyonAeroEngineAero-thermodynamics，BeihangUniversity，Beijing100191，China）Abstract:InordertoaccuratelyobtainthethermophysicalpropertiesofRP-3undersupercriticalpressure,the calculation models of density,viscosity,specific heat capacity at constant pressure andthermalconductivityofsupercriticalRP-3wereestablishedbasedonartificialneuralnetwork（ANN）method.TheRP-3thermophysicalpropertiesobtainedbytheextendedcorrespondingstatewereusedtotraintheneuralnetwork,andthemodifiedANNmodelwasobtainedbycouplingtheexperimentalerrormodel.Thecalculatedtemperaturerangewas300800K,andthepressurerangewas36MPa.TheresultsshowedthattheANNmodelcanaccuratelypredictthethermophysicalpropertiesofsupercriticalRP-3,andthecalculationaccuracywas16.3%higherthanthatoftheextendedcorrespondingstate.Atthepressureof5MPa,theregressioncoefficientsofdensity,viscosity,specificheatcapacityatconstantpressureandthermalconductivitypredictedbytheANNmodelwereallgreaterthan0.99.Themeanrelativeerrorswiththeexperimentalresultswere1.5%,4.1%,0.9%and0.7%,respectively.Keywords:supercritical；aviationkeroseneRP-3；extended-corresponding-statelaw；artificialneuralnetworkmodel；thermophysicalproperties收稿日期：2022-11-02基金项目：国家自然科学基金（52122604）；航空发动机气动热力国防科技重点实验室基金（2021-JCJQ-LB-062-0409）作者简介：陶凯航（1994），男，博士生，主要从事超临界流动换热方面的研究。E-mail：通信作者：程泽源（1992），男，副研究员，博士，主要从事航空动力高温部件燃油冷却技术的研究。E-mail：引用格式：陶凯航,朱剑琴,程泽源.基于人工神经网络模型的超临界 RP-3 热物性计算J.航空动力学报,2023,38（4）：806-815.TAOKaihang,ZHUJianqin,CHENGZeyuan.CalculationofthermophysicalpropertiesofsupercriticalRP-3basedonartificialneuralnetworkmodelJ.JournalofAerospacePower,2023,38（4）：806-815.第38卷第4期航空动力学报Vol.38No.42023年4月JournalofAerospacePowerApr.2023为了满足高马赫数飞行，一般采用超燃冲压发动机作为高超声速飞行器的动力装置1。在飞行马赫数为 8 时，燃烧室内的总温达到 3100K，超过了飞行器上所用材料的耐温极限。目前，主动再生冷却技术是最有效的热防护手段之一，即利用发动机自带的吸热型碳氢燃料对高温部位进行冷却，从而保证飞行器能够远距离长时间的可靠工作。再生冷却系统中航空燃料系统压力为3.456.89MPa，而典型碳氢燃料的临界压力为2.39MPa，临界温度为 645.5K2，因此再生冷却系统属于超临界压力系统，燃料在工作时将达到超临界状态，热物性会发生剧烈的变化从而使流动传热变得更加复杂。因此，准确预测超临界状态下碳氢燃料的热物性规律，对其流动传热的研究和发动机热管理系统设计具有重要的科学意义和工程价值。碳氢燃料的组成成分十分复杂，以国产航空煤油 RP-3 为例，其成分超过 300 种。邓宏武等3-5通过超临界碳氢燃料多功能流动与换热实验台测定了 RP-3 的密度、黏度、比定压热容在不同压力、不同温度下的数值。徐国强等6基于瞬态热线法原理设计研制了一种适用于高温高压条件下测量 RP-3 导热系数的实验装置，对导热系数随温度的变化进行了测定。张志强等7通过流动型比热容计和振动弦法分别测量 RP-3 的运动黏度。严俊杰等8对超临界碳氢燃料在 2mm 直径竖直圆管内的换热特性进行了研究，得到了浮升力影响下的对流换热实验关联式。通过实验手段测量碳氢燃料热物性的成本较高，测试时间长，数据量少，且严格达到实验要求的边界条件困难。而广义对应态法则（extendedcorrespondingstate，ECS）9在保证工质热物性精度的同时节约了时间和成本，被广泛应用于超临界流体的热物性研究。其基本原理是利用热力学上待求工质和参考工质的相似性，通过保证相对压力和相对温度来获得待求工质的物性。范学军等基于 ECS 针对国产航空煤油 RP-3的三组分替代燃料10和十组分替代燃料11进行物性计算，与实验结果比较表明，ECS 能较好预测热物性的变化趋势，但在拟临界区域附近存在较大偏差。姚长鑫等12提出以正十二烷、2，5-二甲基己烷和甲苯为组分的三组分替代燃料模型来反映 RP-3 的热物性，发现在低温段物性结果对实验物性的吻合程度较高，但在高温段预测精度有所下降。程泽源等13应用 ECS 对比了 RP-3 的五种组分替代模型在不同压力下物性随着温度的变化情况，发现三组分模型对实验数据的预测精度最高，但在比定压热容和密度的预测上还存在一定偏差。基于 ECS 的预测模型可以提供丰富的物性数据库，但在临界区域的物性预测精度方面仍有不足。随着人工智能技术的广泛应用，燃料热物性计算也逐渐采用人工神经网络（artificialneuralnetwork，ANN）模型来实现对实验物性值更准确的预测。郝爽14使用 ANN 模型将柴油的物性（密度、运动黏度、闪点、十六烷值等）与柴油的相对分子质量和分子特征建立关联，构建了相对误差小于5%的物性预测模型。向鹏程等15基于 ANN 模型，研究了制冷剂 R410a 的压力、密度、焓、熵随温度的变化情况，将预测的平均相对误差控制在1%左右。Kanat 和 Zhao 等16-17分别建立了关于氧化物-水混合纳米流体热物性的 ANN 模型，实现对非线性规律热物性的较好预测效果。Li 等18基于 ECS 得到的 RP-3 热物性数据建立了 ANN模型，实现了对 ECS 计算的物性值的准确预测，同时降低了计算成本，但缺乏对 RP-3 实验值的对比验证。国内外研究证明了使用 ANN 模型可有效进行燃料热物性预测，但基于超临界 RP-3 实验物性开展的 ANN 预测研究相对较少。本文以 ECS 计算得到 RP-3 热物性样本作为训练数据，探究了拓扑结构以及样本数据量对 ANN 模型精度和效率的影响，最终利用实验数据得到的误差模型修正了 ANN 模型，可以精准预测超临界压力下 RP-3的热物性。1模型的建立1.1ANN 模型目前 ANN 模型大多采用 Rumelhart 等19提出的误差反向传播算法（backpropagation，BP）。BP 神经网络是一种多层前馈网络，其结构如图 1所示，分为输入层、隐藏层和输出层。图中 T 和p 为输入层的物理量，分别为温度和压力；、cp和 为输出层的物理量，分别为密度、黏度、比定压热容和导热系数。需通过输入和输出样本集对模型进行训练，即对网络节点的权重和偏置进行学习和调整。网络的一个计算单元原理可用以第4期陶凯航等：基于人工神经网络模型的超临界 RP-3 热物性计算807下公式表示：yi=f|nj=1wjixj+bi|（1）其中 yi为神经元 i 的输出，xj为神经元 j 的输出，xj通过权重 wji连接到神经元 i，n 为连接神经元的总数，bi为 i 的偏置常数。前一层神经元通过权重和偏置常数的线性组合结果经过非线性激活函数 f 得到神经元 i 的输出，本文采用的激活函数为 tansig。权重和偏置常数的修正如下所示：wnji（k+1）=wnji（k）Fwnji（2）bni（k+1）=bni（k）Fbni（3）式中 F 代表神经网络的均方误差，是反映实际输出与期望输出之间差异程度；k 代表修正次数；代表网络的学习率，决定神经网络的收敛时间，本文中学习率取值为 0.01。理论上已证明，借助激活函数，含一个单隐藏层的 BP 神经网络可以拟合任意闭区间内的非线性映射20。图 1 的单隐藏层神经网络的输出 Y（热物性参数）和输入 X（温度、压力）之间的数学表达为Y=fWhofh（WihX+Bh）+Bo（4）其中 i、h、o 分别代表输入层（input）、隐藏层（hid-den）和输出层（output）；W 代表权重矩阵；B 代表偏置矩阵。1.2数据库划分及模型修正基于 ECS 计算得到的数据作为样本集，数据信息包含温度、压力以及由温度、压力决定的四种热物性参数：密度、黏度、比定压热容和导热系数。样本集中数据的温度范围为 300800K，压力范围为 36MPa。为了研究数据样本量对模型精度和效率的影响，按照温度间隔不同分为四类数据库，其中第四类数据库在临界区（600700K）加密采样点，如