软件平台

OptEx燃烧反应动力学模型优化计算平台

燃烧动力学模型已被公认为是揭示对各种复杂燃烧过程的深入化学洞察的有效工具。进一步的计算流体动力学模拟也需要准确有效的模型。

性能良好的模型通常是通过对原始模型进行迭代修改而获得的。一个常见的想法是通过实验数据来约束模型参数。根据建模者感兴趣的指标来设计实验有利于获得对改进模型更有用的数据。

为了方便这样的优化任务，在这项工作中开发了一个名为OptEx的工具箱。这个名字源于我们寻找最佳实验设计策略的目标，这将帮助建模者获得令人满意的模型。OptEx在一个高效的并行计算框架中为用户提供模型模拟、局部灵敏度分析和局部不确定性量化的基本功能。人工神经网络（ANN）用于加速全局灵敏度分析和不确定性量化方法。OptEx中的核心部分由实验设计和模型优化组成，下面将进行说明。

图1 OptEx软件框架图

总的来说，OptEx的功能可以分为三个模块：(1)灵敏度分析和不确定性分析；(2)实验设计；(3)模型优化。大多数模型分析方法都是基于抽样的全局方法，为了加速计算过程，OptEx中利用局部敏感性分析来选择对相关模型预测敏感的参数。人工神经网络-高维模型表征法（ANN-HDMR）[1]方法被部署在敏感性分析和不确定性分析模块中，以提供模型预测的全局敏感性指数和不确定性范围。在实验设计模块中，可以根据模型优化的不同目标，利用全局灵敏度和不确定性结果来找出最具信息量的实验条件。筛选实验条件的这两个标准分别由替代模型相似性方法（SMS）[2]和灵敏度熵方法[3]来量化。当指定一组信息丰富的实验条件时，可以利用人工神经网络-蒙特卡洛马尔科夫链（ANN-MCMC）[4]方法来优化相关目标的初步模型预测。上面说明的优化过程可以循环应用，直到模型预测性能满足建模者给出的某些要求。

[1]S. Li, B. Yang, F. Qi, Accelerate global sensitivity analysis using artificial neural network algorithm: Case studies for combustion kinetic model, Combustion and Flame 168 (2016) 53-64.

[2]J. Wang, S. Li, B. Yang, Combustion kinetic model development using surrogate model similarity method, Combust. Theory Modell. 22 (2018) 777-794.

[3]S. Li, T. Tao, J. Wang, B. Yang, C.K. Law, F. Qi, Using sensitivity entropy in experimental design for uncertainty minimization of combustion kinetic models, Proc. Combust. Inst. 36 (2017) 709-716.

[4]J. Wang, Z. Zhou, K. Lin, C.K. Law, B. Yang, Facilitating bayesian analysis of combustion kinetic models with artificial neural network, Combustion and Flame 213 (2020) 87-97.