如需要完整文档点击下方 "点击下载文档" 按钮

大气压介质阻挡放电是应用中常用的放电形式, 通常使用等离子体流体模型进行理论描述. 本文针对大气压均匀介质阻挡放电每半个电压周期出现一次或多次电流脉冲的特性, 基于机器学习方法构造一个全连接多层神经网络, 采用误差反向传播算法, 并设计了一个通用的隐藏层结构, 将计算数据或实验数据作为训练集, 借助于人工神经网络程序研究大气压介质阻挡放电的电流密度、电子密度、离子密度和电场强度等宏观与微观放电特性. 通过分析计算结果可知, 在给定合适训练集的条件下, 构造的机器学习程序与流体模型能以近乎相同的计算精度(误差小于2%)来描述大气压介质阻挡放电等离子体性质, 同时计算效率远高于求解流体模型, 并能极大地拓展放电参数的遍历范围. 本文的算例表明, 将机器学习程序与现有的流体模型或动理学模型结合起来, 将极大地提高大气压放电等离子体的模拟效率与效果, 深化对放电等离子体的认识 .

如需要完整文档点击下方 "点击下载文档" 按钮

《结合机器学习的大气压介质阻挡放电数值模拟研究》

将 完整文档 下载到本地，方便收藏和查阅

文件号：296265

点击下载文档