Прогнозирование термодинамических характеристик газовых смесей с помощью модели машинного обучения
Автор: Дмитрий - Ларкин
Соавторы: Костюшин Кирилл Владимирович
Организация: Томский государственный университет
Рис. Веб интерфейс для работы с обученной моделью.
Для анализа энерготяговых характеристик ракетных двигателей необходимо учитывать происходящие физико-химические процессы во всем газодинамическом тракте энергоустановки [1]. Многокомпонентность продуктов сгорания, с учетом большого количества индивидуальных веществ существенно усложняет численные расчеты реагирующих течений.
В настоящей работе предлагается подход, основанный на замене прямого термодинамического расчета состава продуктов сгорания моделью машинного обучения. В качестве эталонного решателя используется программа Terra. Входными параметрами модели служат вектор массовых долей химических элементов (условная формула, нормированная на единицу), а также температура и давление. Выходом являются равновесный состав смеси (массовые доли 2612 индивидуальных веществ) и 25 термодинамических и теплофизических характеристик (теплоемкость, показатель адиабаты, газовая постоянная, скорость звука, вязкость, теплопроводность, число Прандтля и др.).
Обучающая выборка сформирована параметрическим перебором состава смеси, температуры и давления. Состав задается массовыми долями компонентов; для каждого состава равновесные характеристики варьируются в диапазоне 100–5000 K для температуры и 0.1–15 Мпа для давления. Для разнообразия данных используются как составы из всех пар элементов с фиксированными концентрациями, так и случайные смеси из 2–5 веществ, слишком похожие по составу смеси отбраковываются. Суммарно получено 50 млн расчетных точек, охватывающих область составов, представляющих практический интерес. Архитектура модели представляет собой полносвязный кодировщик с остаточными блоками и функцией активации SwiGLU и содержит около 53 млн обучаемых параметров. Для совместного обучения на разнородных целевых величинах используется многозадачная функция потерь с адаптивным взвешиванием на основе обучаемой неопределенности. Повышение устойчивости обучения и качества обобщения достигается за счет применения экспоненциального скользящего усреднения весов (Exponential Moving Average, EMA). Предсказание компонентного состава выполняется в виде распределения вероятностей по словарю веществ с использованием функции Softmax, тогда как скалярные физико-химические свойства прогнозируются в нормированном пространстве признаков с последующим преобразованием результатов в соответствующие физические единицы измерения. Обученная модель экспортирована в формат ONNX и интегрирована в веб-интерфейс для интерактивного расчета (см. Рис.).
Работа выполнена в рамках программы стратегического академического лидерства «Приоритет-2030» № 5.3.1.25 СТП.
1. Червакова А. В., Костюшин К. В. Расчет потерь на химическую неравновесность в соплах ракетных двигателей // XVIII Международная конференция студентов, аспирантов и молодых ученых «Перспективы развития фундаментальных наук». 2021. С 91–93.
