摘要
在大气压下，低温等离子体具有更为多样性的边界过程，等离子体与待处理物的相互作用也更为复杂，往往涉及到上百种粒子、上千个化学反应。多粒子种类与频繁碰撞将给大气压下等离子体数值模拟带来极大的计算负担。基于上述原因，大气压放电等离子体需要一种更高效的模拟计算方法。深度神经网络是一种计算工具，可以通过分析利用大数据集来求解不同的目标问题，能够准确高效地求解大气压等离子体的放电特性。 本文的主要内容如下: (1)大气压介质阻挡放电和射频放电是等离子体中常用的放电形式，通常使用等离子体流体模型进行理论研究。本文针对大气压纯氦气介质阻挡放电与射频放电的特性,基于机器学习方法构造了一个深度神经网络模型，并设计了一个通用的隐藏层结构。同时，通过一维流体模型获取原始数据，构建训练集，实现神经网络模型的迭代优化。 (2)借助于深度神经网络模型研究电压输入下大气压介质阻挡放电的电流密度演化趋势以及电流峰值时刻的电子密度、离子密度和电场强度的空间分布，并与流体模型模拟数据进行对比，计算结果证明深度神经网络能够准确且高效地应用于放电等离子体领域的数值模拟研究。同时，通过求解多控制参数条件下介质阻挡放电模型来展示所构建的深度神经网络对多种输入属性同样具有良好的泛化性能。 (3)对于电流输入的射频放电模型，通过求解其稳定后的气隙电压、一个周期内的平均电子密度、离子密度、电场强度以及电子温度等宏观与微观物理量来展示该算法的有效性，并通过与已有的实验结论和仿真结果进行对比，证明了深度神经网络可以适用于求解多种放电类型及其不同放电阶段的等离子体放电特性。 本文构建了一个具有通用性的深度神经网络来替代流体模型，以准确高效地模拟计算大气压介质阻挡放电和射频放电特性，并作为范例来展示深度神经网络研究大气压放电等离子体的优越性能。本文深度神经网络的训练集由流体模拟数据构成，但对神经网络而言，训练集的数据只有数量与质量的差别，并不区分其来源。因此，深度神经网络模型同样可以采用实验数据进行训练。通过分析计算结果可知，在给定合适训练集的条件下，本文构造的深度神经网络能够与流体模型以近乎相同的计算精度(误差低于1％)来求解大气压放电等离子体性质，同时计算效率远高于求解传统的流体模型，求解一组数据所需时间平均为0.01秒，计算效率提高了5个量级以上，并能大幅强化模拟效果。本文算例表明，将深度神经网络与现有的流体模型结合起来，能够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。
NETL