一种多元燃料自燃区间预测方法

本发明属于燃料燃烧与爆炸安全，具体涉及一种多元燃料自燃区间预测方法。

背景技术：

1、多元燃料广泛应用于化工生产、能源利用及船舶动力等领域。受燃料组分、当量比、初始温度和初始压力等因素的共同影响，其自燃爆炸特性呈现显著的非线性特征。准确判定不同工况下的自燃爆炸状态并确定自燃爆炸区间，对于燃料储运安全、燃烧装置设计及爆炸风险防控具有重要意义。

2、现有自燃区间主要通过实验测量或反应动力学模拟获得。实验测试成本较高、周期较长，且难以全面覆盖高温、高压及混合燃料的大范围工况。反应动力学模拟则需要求解包含大量组分和反应的刚性微分方程，在进行多参数的模拟计算量较大，难以满足快速预测与分析的需求。

3、近年来，机器学习方法逐渐应用于燃烧与爆炸特性预测。然而，现有方法多针对单一工况点进行分类或回归，难以直接获得连续的温度—压力二维自燃爆炸概率场及自燃爆炸区间。同时，常规模型主要依赖样本数据拟合，缺少对概率场空间平滑性和爆炸边界法向单调性的物理约束，预测结果容易出现局部振荡、伪边界、边界断裂及物理一致性不足等问题。因此，有必要提出一种融合数据特征与物理约束、能够快速生成二维自燃爆炸概率场并准确提取爆炸区间的预测方法。

技术实现思路

1、本发明目的在于针对上述问题，提出一种多元燃料自燃区间预测方法。

2、本发明的技术方案：

3、一种多元燃料自燃区间预测方法，包括如下步骤：

4、步骤(1)：获取多组燃料组分、当量比、初始温度、初始压力及自燃爆炸状态标签，将燃料组分和当量比相同、初始温度和初始压力不同的样本划分为同一工况样本组；将初始压力转换为对数压力，并按照预设初始温度网格和对数压力网格，根据各工况样本组中不同网格点对应的自燃爆炸状态标签，构建与各工况样本组对应的二维目标自燃爆炸概率场；

5、步骤(2)：以各工况样本组对应的燃料组分和当量比构建工况特征向量，构建条件概率场重建模型，并以工况特征向量为输入、以对应的二维目标自燃爆炸概率场为监督标签，采用包含二元交叉熵数据拟合损失、区域重叠损失、场平滑损失和边界物理排序损失的复合损失函数训练条件概率场重建模型；

6、步骤(3)：获取待预测燃料的燃料组分和当量比，输入训练完成的条件概率场重建模型，通过一次模型推理生成预测二维自燃爆炸概率场；基于待判别工况的初始温度和由初始压力转换得到的对数压力，在预测二维自燃爆炸概率场中进行二维插值，判定自燃爆炸状态，并以预设判别阈值为等概率值，从预测二维自燃爆炸概率场中提取等概率轮廓线；将等概率轮廓线确定为自燃爆炸边界，其中，自燃爆炸边界用于表征自燃爆炸区间与非自燃爆炸区间之间的分界线。

7、进一步的，所述步骤(1)具体包括如下步骤：

8、利用sobol低差异序列在预设燃料的摩尔分数和当量比取值范围内生成多个条件采样点，对各条件采样点中摩尔分数的采样值进行归一化处理；在预设初始温度范围和对数压力范围内进行均匀划分，得到多个初始温度网格点和多个对数压力网格点；将多个初始温度网格点和多个对数压力网格点两两组合，形成预设初始温度—对数压力二维网格；针对每个条件采样点，分别与预设初始温度—对数压力二维网格中的各网格点组合，形成多组包含燃料组分、当量比、初始温度和初始压力的模拟工况样本；其中，根据对数压力网格点确定对应的初始压力；对各模拟工况样本进行反应动力学模拟计算，根据反应动力学模拟计算结果判断是否发生自燃爆炸，获得对应的自燃爆炸状态标签；由模拟工况样本及其对应的自燃爆炸状态标签构成训练样本集；按照预设顺序排列燃料组分和当量比，生成原始工况特征向量：

9、

10、其中，x1、x2、x3、x4、x5、x6分别表示正庚烷、氨、氢气、氮气、水蒸气和二氧化碳的摩尔分数，φ表示当量比；原始工况特征向量

x的各特征包括各燃料组分摩尔分数和当量比；将燃料组分和当量比相同的样本划分为同一工况样本组；针对每一工况样本组，按照初始温度网格和对数压力网格统计各网格点对应的训练样本总数量以及自燃爆炸状态标签为爆炸的自燃爆炸样本数量，对训练样本总数量和自燃爆炸样本数量进行平滑处理，并将平滑处理后的自燃爆炸样本数量与平滑处理后的训练样本总数量之比确定为网格点的目标自燃爆炸概率，构建与各工况样本组对应的二维目标自燃爆炸概率场。

11、进一步的，所述步骤(2)具体包括以下步骤：

12、第一步：将各工况样本组对应的燃料组分和当量比按照预设顺序排列，并基于训练样本的均值和标准差进行标准化处理，得到工况特征向量，并保存各特征的均值和标准差，以用于后续待预测工况特征向量的标准化处理；其中，初始温度和初始压力不作为工况特征向量的组成参数，初始温度用于确定二维目标自燃爆炸概率场的温度坐标，初始压力转换得到的对数压力用于确定二维目标自燃爆炸概率场的压力坐标；将工况特征向量输入全连接条件编码网络，通过多层线性变换和relu激活处理，得到工况隐含特征

z；

13、第二步：将工况隐含特征z输入全连接映射层，映射为初始二维特征图，并将初始二维特征图重构为二维多通道特征图；将二维多通道特征图输入卷积解码网络，依次进行双线性上采样、卷积处理和特征细化，得到与初始温度网格点和对数压力网格点尺寸一致的单通道预测逻辑值矩阵；利用sigmoid函数将单通道预测逻辑值矩阵转换为二维自燃爆炸概率矩阵，二维自燃爆炸概率矩阵的行、列分别对应初始温度网格点和对数压力网格点；

14、第三步：采用包含二元交叉熵数据拟合损失

lbce、区域重叠损失

ldice、场平滑损失

ltv和边界物理排序损失

lphy的复合损失函数

ltotal训练条件概率场重建模型；沿自燃爆炸边界的法向方向选取自燃爆炸边界采样三元组，包括非爆炸侧采样点、边界邻域采样点和爆炸侧采样点；所述复合损失函数

ltotal如下：

15、

16、

17、

18、

19、其中，

pi,j和

yi,j分别表示在网格位置(

i,

j)处的预测自燃爆炸概率和目标自燃爆炸概率；在区域重叠损失中，ω表示具有目标自燃爆炸概率标签并参与损失计算的网格点集合，将初始温度—对数压力二维网格展平后，

pi和

yi分别表示第

i个网格点处的预测自燃爆炸概率和目标自燃爆炸概率；ε是一个用于避免数值奇异性的微小常数；k表示沿自燃爆炸边界法向选取的边界采样三元组数量；

p

knon、

p

kboundary和

p

kexp分别表示第

k个自燃爆炸边界法向采样三元组中非爆炸侧采样点、边界邻域采样点和爆炸侧采样点的预测概率；λdice、λtv和λphy分别为区域重叠损失、场平滑损失和边界物理排序损失的权重系数，用于平衡数据拟合、区域重叠、概率场平滑性以及边界法向单调性；采用adamw优化算法更新条件概率场重建模型参数，并根据验证集损失动态调整学习率；当验证集评价指标不再改善或达到最大训练轮数时停止训练，保存验证性能最优的条件概率场重建模型参数；将训练完成的条件概率场重建模型用于接收新的工况特征向量，并输出对应初始温度—对数压力二维网格下的二维自燃爆炸概率场。

20、进一步的，所述步骤(3)中的自燃爆炸状态判定具体包括：

21、获取待预测燃料的燃料组分和当量比，采用训练阶段得到的各特征的均值和标准差进行标准化处理，得到待预测工况特征向量；将待预测工况特征向量输入训练完成的条件概率场重建模型，通过一次模型推理获得初始温度—对数压力二维网格全部网格点的自燃爆炸概率，形成预测二维自燃爆炸概率场；将待判别工况的初始压力转换为对数压力，根据待判别工况的初始温度和对数压力，在预测二维自燃爆炸概率场中确定相邻的温度网格点和对数压力网格点，并采用双线性插值计算待判别工况的自燃爆炸概率；当自燃爆炸概率大于或等于预设判别阈值时，将待判别工况确定为爆炸状态，否则确定为非爆炸状态。

22、进一步的，所述步骤(3)中提取等概率轮廓线具体包括：

23、以预设判别阈值为等概率值，对预测二维自燃爆炸概率场进行等值线提取，将提取得到的等概率轮廓线的对数压力坐标转换为初始压力坐标，获得初始温度—初始压力坐标下的自燃爆炸边界和自燃爆炸区间。

24、进一步的，对预测结果进行关联展示和解释分析，具体包括：

25、将预测二维自燃爆炸概率场、自燃爆炸边界以及待判别工况的位置、自燃爆炸概率和爆炸状态进行关联展示；将条件概率场重建模型的二维概率场生成过程与基于初始温度和对数压力的二维插值过程组合为端到端计算函数，并对端到端计算函数进行夏普利加性解释分析，以确定燃料组分、当量比、初始温度和初始压力对待判别工况自燃爆炸概率的影响。

26、本发明的有益效果：本发明以燃料组分和当量比作为条件输入，通过一次模型推理直接生成二维自燃爆炸概率场；通过物理约束，提高预测概率场的连续性、边界法向单调性及自燃爆炸边界的物理一致性；通过二维插值实现待判别工况的状态判定，并通过等概率轮廓线提取获得自燃爆炸边界和自燃爆炸区间，从而降低大范围温压工况反应动力学模拟的计算成本。