利用高斯过程回归对燃爆单元宽度的预测方法研究

发布时间：2018-02-09 22:00

  本文关键词： 氢气燃爆 燃爆单元宽度(λ) 高斯过程回归(GPR)　出处：《核动力工程》2017年02期 　论文类型：期刊论文

【摘要】：燃爆单元宽度(λ)是度量可燃气体燃爆风险的一项重要参数。文中把λ和特征化学反应区厚度(δ)联系起来,以无量纲活化能和无量纲温度为自变量,以λ/δ的对数为因变量对实验数据进行回归。针对传统参数回归方法的不足,采用基于机器学习的高斯过程回归(GPR)方法完成数据拟合工作。通过比较实验数据和拟合函数的预测值,发现GPR方法的结果能够较为准确地预测不同组分的可燃混合气体在不同初始条件下气体的λ。与传统参数回归的结果相比,GPR方法在拟合精度上优于传统参数回归方法。
[Abstract]:The width of combustible unit (位) is an important parameter to measure the explosion risk of combustible gas. In this paper, 位 is associated with the thickness of characteristic chemical reaction zone (未), and the dimensionless activation energy and dimensionless temperature are taken as independent variables. Taking the logarithm of 位 / 未 as dependent variable, the experimental data are regressed. Gao Si process regression method based on machine learning is used to complete the data fitting. The predicted values of experimental data and fitting function are compared. It is found that the results of GPR method can accurately predict the 位 of combustible mixed gases with different components under different initial conditions. Compared with the results of traditional parameter regression, the GPR method is superior to the traditional parametric regression method in fitting accuracy.
【作者单位】： 清华大学工程物理系;卡尔斯鲁厄理工学院;中国核动力研究设计院核反应堆系统设计技术重点实验室;
【基金】：核反应堆系统设计技术重点实验室项目运行基金(HT-A100K-02-201406)
【分类号】：O212.1

【相似文献】

相关期刊论文 前10条

1 苏明礼;;非平稳高斯过程的最大值的渐近性质[J];东北师大学报(自然科学版);1983年02期

2 谢盛荣;标准非平稳高斯过程的逗留极限定理[J];西南师范大学学报(自然科学版);1991年01期

3 谢盛荣;一类高斯过程在高水平u上的逗留[J];科学通报;1998年13期

4 徐业基;关于平稳高斯过程的谱函数估计的渐近性质[J];数学学报;1983年04期

5 谢盛荣;方差具有有限个极大点的高斯过程之极值逗留[J];应用数学学报;1997年01期

6 谢盛荣;关于平稳高斯过程的上穿过期望次数的几点注记[J];数学研究与评论;1996年02期

7 郑建青;;大增量平稳高斯过程的极限行为(英文)[J];宁波大学学报(理工版);2007年01期

8 陈振龙,刘禄勤;d维平稳高斯过程的极函数及其相关维数[J];武汉大学学报(理学版);2002年03期

9 杨春华,彭作祥;局部平稳高斯过程的最大值与最小值的渐近独立性[J];西南师范大学学报(自然科学版);2004年02期

10 杨振舰;夏克文;;基于高斯过程回归的上市股价预测模型[J];计算机仿真;2013年01期

相关博士学位论文 前1条

1 赵静;基于高斯过程的动态系统研究[D];华东师范大学;2016年

相关硕士学位论文 前7条

1 彭新宽;复Isonormal高斯过程及其导算子的可闭性[D];湖南科技大学;2016年

2 姚春晓;关于一类具有特殊协方差函数的高斯过程的极大似然估计方法[D];东北师范大学;2016年

3 叶婧;基于高斯过程回归的锂电池数据处理[D];北京交通大学;2016年

4 万玲;基于高斯过程的时间序列分类[D];中国矿业大学;2014年

5 周楠;基于高斯过程机器学习方法的证券预测模型研究[D];电子科技大学;2012年

6 奥斯曼;基于高斯过程的特征提取研究[D];华南理工大学;2014年

7 沈峗;基于高斯过程的时间序列分析[D];上海交通大学;2009年

，

本文编号：1498956