基于AI-CFD双层耦合的化工反应器在线优化方法、介质及设备与流程

摘要: 本发明属于计算流体动力学,尤其涉及基于ai-cfd双层耦合的化工反应器在线优化方法、介质及设备。背景技术:1、化工反应器的结构参数直接决定转化率、收率、压降和温...
基于AI-CFD双层耦合的化工反应器在线优化方法、介质及设备与流程

本发明属于计算流体动力学,尤其涉及基于ai-cfd双层耦合的化工反应器在线优化方法、介质及设备。

背景技术:

1、化工反应器的结构参数直接决定转化率、收率、压降和温度均匀性。传统的优化方法依赖“人工修改结构→重新cad建模→重新划分计算网格→完整cfd仿真→分析结果”的串行循环,一轮迭代耗时数小时至数天,且每次重新划分网格时流场数据全部丢失,无论结构改动的大小,都需要完整执行上述全流程,改动成本与改动幅度不成比,这种小改动大成本的模式使得针对局部区域的小步试探性优化在工程上不具备可行性;

2、近年来,人工智能被尝试用于加速流场模拟或参数选优。但现有方案均为“单层”应用:一类将ai置于外层,仅作参数选择,内部仍依赖传统物理模型求解;另一类将ai嵌入内层,用于替代湍流壁面函数或加速某物理环节,而不涉及结构设计本身的优化,无法兼顾底层物理场加速与顶层构型决策,且缺乏层间有效协同机制的问题,无法从根本上解决传统流程中局部改动成本高昂、迭代效率低下的核心瓶颈。

技术实现思路

1、为了解决上述背景技术中存在的至少一项技术问题,本发明提供基于ai-cfd双层耦合的化工反应器在线优化方法及系统。

2、为了实现上述目的,本发明采用如下技术方案:

3、本发明的第一方面提供基于ai-cfd双层耦合的化工反应器在线优化方法,包括如下步骤:

4、s1:基于获取的反应器的初始cad几何参数、操作工况数据及反应机理数据,构建ffd控制体以及预训练内层ai模块;

5、s2:将预训练内层ai模块部署至在线cfd求解循环中,在每个cfd时间步,对全场每个网格单元逐一判断其当前流场状态和热化学状态是否落入ai模型的训练域内,根据判断结果选择由ai模块输出增强结果或回退至传统物理模型;

6、s3:在每个时间步更新全流场后,从中提取并追加反应器出口转化率至时间序列,判定是否满足准稳态门控条件,若不满足则返回s2继续执行cfd推进,满足则执行外层ai的完整决策过程,输出全部控制点的位移向量;

7、s4:接收全部控制点的位移向量,将其转化为反应器几何的实际改变,在变形后的反应器几何上重新运行cfd得到性能向量,结合新结构的性能指标完成外层ai的闭环学习,生成最优控制点坐标并进行映射,计算所有壁面和内构件表面点的最优物理坐标。

8、进一步地,ffd控制体为一个参数化的变形函数,输入为轴向、径向、周向三个参数方向上的控制点,输出是控制体内部每一个点的空间坐标,该函数将外层ai输出的控制点各自在三个方向的位移量自动转化为每个网格节点的新坐标,实现整个反应器结构的平滑变形。

9、进一步地,ffd控制体的构建过程包括:

10、在轴向、径向、周向三个参数方向上分别定义控制体内部的任意一点,每个控制点对该点的变形权重计算规则;

11、在三个参数方向上分别独立调用对应的规则,在反应器外围沿轴向、径向、周向构建三变量b样条控制体,结合三变量b样条控制体,构建完整的三维变形映射公式;

12、结合变形映射公式和已知的物理坐标,采用newton-raphson迭代求解得到全场每个网格节点的参数坐标。

13、进一步地,预训练内层ai模块的过程包括:

14、预训练湍流增强模型tbkan,在每个网格单元以局部流场特征为输入,对湍流增强,输出经pope的张量基函数定理重建雷诺应力各向异性张量,得到tbkan的权重及不确定度阈值;

15、预训练化学反应加快模型,学习从反应单元当前的热化学状态到同一状态下个物种的净生成速率的映射,得到node的权重及对应的不确定度阈值;其中,为温度,为压力,个物种的质量分数表示个物种的质量分数,为第个物种的净生成速率;利用初始几何的cfd流场快照对gnn做自监督预训练,得到gnn的预训练权重。

16、进一步地,所述在每个cfd时间步,对全场每个网格单元逐一判断其当前流场状态和热化学状态是否落入ai模型的训练域内具体包括:

17、逐单元湍流增强:提取每个网格单元的局部特征、以为输入经tbkan副本推理得以及计算该单元湍流模型的不确定度,若,以bkan副本推理均值构建雷诺应力代入动量方程,若,回退k-sst的涡粘模型;每个网格单元的局部特征由该单元速度场导出的5个标量不变量、、、、与压力梯度模、温度梯度模依次拼接而成;

18、逐单元反应加速:提取每个网格单元的、以为输入经node副本推理以及计算单元化学反应模型的不确定度,若,则以node副本推理均值乘化学步长得质量分数增量,经原子守恒修正后以算子分裂方式显式更新组分,若,则自动绘回退变阶变步长刚性ode求解器进行求解;其中,为第个单元的温度,为第个单元的压力,为反应机理中涉及的物种总数,为第个单元中个物种的质量分数,和为对应的不确定度阈值;

19、将逐单元湍流增强的闭合项和逐单元反应加速的源项代入控制方程,耦合求解,输出下一时间步全流场。

20、进一步地,准稳态四条件门控具体包括:窗口变化率、最小二乘斜率的绝对值,变异系数以及三次置换。

21、进一步地,执行外层ai的完整决策过程具体包括:

22、加载预训练的gnn权重,通过gnn处理获得的流场数据,将每个网格单元看作图的节点,将相邻单元之间的共享面看作图的边,通过节点之间沿边传递消息来逐层提取流场特征;

23、将gnn的流场编码与当前反应器的几何状态、操作条件和ai增强程度拼接,构成ppo在当前设计迭代步的完整观测;

24、基于流场特征和完整观测,生成控制点位移量,在位移量进入ffd控制体驱动实际变形之前,施加多层保护输出最终的控制点安全位移量。

25、进一步地,施加多层保护具体包括单步限幅、时序平滑、固定控制点零化及歪斜度预检。

26、本发明的第二方面提供一种计算机可读存储介质。

27、一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如上述所述的基于ai-cfd双层耦合的化工反应器在线优化方法中的步骤。

28、本发明的第三方面提供一种计算机设备。

29、一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如上述所述的基于ai-cfd双层耦合的化工反应器在线优化方法中的步骤。

30、与现有技术相比,本发明的有益效果是:

31、本针对传统优化中每次结构调整均需cad重建模、网格重划分及流场从零重置,导致迭代周期长、局部微调与整体重构计算成本不成比例,工程上无法进行小步试错渐进优化的问题。本发明通过ffd网格变形(保持网格拓扑不变、流场数据无缝继承)消除结构改动后的重划开销,并利用ffd的紧支撑性使单个控制点位移仅影响邻近区域几何变形、流场受影响区域可快速恢复稳定,使外层ppo可在一次连续仿真中以小步试探方式从局部微调积累至全局最优,大幅减少“设计→仿真→评估→再设计”循环中的非计算等待时间。

32、针对现有技术仅使用单层ai、无法兼顾底层物理场加速与顶层构型决策,且缺乏层间有效协同机制的问题。本发明构建双层嵌套架构:内层ai在每个cfd时间步增强湍流和化学反应计算,外层ai在每个准稳态触发点通过gnn全场感知和ppo决策驱动结构变形;两层通过ai使用率指标和gnn编码器共享实现深度协同,确保顶层决策能充分感知全场物理状态并实时响应底层计算负载变化。

33、针对cfd底层计算中化学反应刚性ode积分耗时严重(占总时间80%以上)及传统rans湍流模型精度不足的瓶颈问题。本发明以内层node替代传统ode积分、以tbkan替代boussinesq涡粘假设,对内层物理计算进行针对性加速与精度增强;同时各模块附带逐单元不确定性估计和自动降级机制,确保在极端或非常规工况下数值计算的鲁棒性和可靠性。

34、本发明附加方面的优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明的实践了解到。