О градиентных методах и сопряженных задачах при идентификации теплофизических параметров
О
градиентных методах и сопряжённых задачах при идентификации теплофизических
параметров
В.К.
Толстых, (доктор ф.-м. наук., доц., ДонНУ)
Н.А.
Володин (канд. ф.-м. наук, доц. ДонНТУ)
В.Е.
Бодряга (зав. лаб., ДонНУ)
Вступление
Решается задача идентификации коэффициента
температуропроводности непрерывнолитого стального цилиндрического слитка.
Температуропроводность представляется полиномиальной зависимостью от
температуры процесса с весовыми коэффициентами. Задача рассматривается как оптимизационная.
Минимизация целевой функции осуществляется методом сопряженных градиентов.
Рассматриваются методы поиска градиента функции с помощью сопряженной задачи и
численного дифференцирования. Приводятся сравнительный анализ расчётов задачи
идентификации для обоих методов.
Идентификация, оптимизация,
градиент, непрерывный слиток.
При идентификации параметров в задачах
теплофизики приходится численно минимизировать функционалы от состояния системы
- критерии качества идентификации. Наиболее часто здесь используются
градиентные алгоритмы [1, 2]. Если искомые параметры являются пространственными
или временными функциями, то градиент критерия качества также является
пространственно-временной функцией и находится через решение сопряжённой
задачи, например, - [3,4]. Если искомые параметры является функциями состояния
системы, то их представляют различными рядами относительно состояния с
множеством коэффициентов. Такие коэффициенты образуют вектор идентифицируемых
параметров, и здесь градиент критерия качества превращается в вектор
сопряжённого пространства, например, - [4]. При этом градиент для вектора
искомых параметров может быть получен и без сопряжённой задачи, а численным
дифференцированием критерия качества идентификации, как это было реализовано в
[5]. Возникает ряд вопросов, в каком случае следует использовать технику
сопряжённых задач, а в каком - численное дифференцирование, что эффективнее,
проще в реализации? Именно поиску ответов на данные вопросы, применительно к
задачам параметрической идентификации в теплофизических, возможно нелинейных
системах, посвящена настоящая работа.
Постановка задачи
В работе рассматривается проблема
математического моделирования процессов затвердевания слитков, в частности, - в
машинах непрерывного литья заготовок (МНЛЗ). Точность моделирования, в
основном, определяется точностью задания параметров, входящих в уравнения
конвекции и тепломассопереноса. Такие уравнения довольно громоздки, при
численном решении требуют значительных ресурсов компьютеров и не гарантируют желаемой
точности. Значительное снижение вычислительных затрат может быть достигнуто
введением эффективных коэффициентов теплопроводности и диффузии, что позволяет
отказаться от расчета уравнений конвекции и существенно снизить число
определяемых параметров [2, 5]. Естественно, что достоверные значения этих
параметров могут быть получены только из решения задач параметрической
идентификации.
Математическая модель установившегося теплового
процесса в цилиндрическом непрерывном слитке может быть представлена следующим
квазилинейным параболическим уравнением [2]:
, , (1)
, ,
, , (2)
где - скорость литья, -
температура слитка, -
эффективный коэффициент температуропроводности, - эффективный радиус слитка, - длина вертикальной
части МНЛЗ, -
температура слитка в зоне кристаллизатора, - температура заливаемого в
установку металла, - нижняя
граница кристаллизатора, -
температура охладителя в зоне вторичного охлаждения (ЗВО), , -
коэффициент теплоотдачи в ЗВО, - теплоемкость, -
плотность. На рис. 1 схематично изображена часть МНЛЗ с затвердевающим слитком.
Предположим, что все теплофизические
параметры модели (1)-(2) заданы точно, за исключением эффективного коэффициента
температуропроводности .
Рис. 1. Принципиальная схема затвердевающего
слитка в МНЛЗ вертикального литья:
- кристаллизатор, 2 - слиток, 3 - вторичный охладитель
Качество идентификации эффективного
коэффициента будем
оценивать интегральным расхождением модельной и экспериментально наблюдаемой температурами
по объёму слитка:
(3)
В работе [4] показано, что
идентификация эффективного коэффициента температуропроводности традиционными
полиномами в общем случае невозможна, однако удается получить хорошее решение
при использовании полинома вида:
(4)
где - коэффициент масштабирования, -
температура затвердевания металла, - коэффициенты полинома. При этом
задача идентификации модели (1)-(2) сводится к задаче параметрической
идентификации вектора размерности
, а
минимизируемый функционал (3) превращается функцию .
Минимизацию будем
осуществлять методом сопряженных градиентов:
, (5)
где ,
а число рассчитывалось
с использованием метода Вульфа [6].
Для оценки эффективности методов
идентификации вектора по
алгоритму (5) градиент в мерном
пространстве будем рассчитывать двумя способами: численным дифференцированием и
с использованием сопряженной задачи.
При численном дифференцировании
градиент целевой функции рассчитывался
по формуле [6]:
, , (6)
где число , - единичный
вектор вдоль оси в
пространстве оптимизируемых параметров .
Для расчета вторым способом градиент
целевой функции находился
модифицированным методом множителей Лагранжа [1]:
, (7)
где удовлетворяет сопряженной задаче:
, (8)
, , , , (9)
Тестирование алгоритмов
производилось следующим образом. Задавалось тестовое значение и начальное
приближение .
Квазилинейная задача (1), (2), (4) аппроксимировалась неявной
конечно-разностной схемой и решалась методом прогонки с подитерациями для учёта
нелинейности [7]. В частности, для данной задачи было подобрано наилучшее число
подитераций . В
результате решения прямой задачи (1), (2), (4) определялось поле температур,
которое принималось как экспериментальное . Далее решалась обратная задача
идентификации вектора по критерию
(3) методом (5), где градиент вычислялся либо по формуле (6), либо по формуле
(7) с использованием линейной сопряжённой задачи (8), (9). Последняя решалась
обычным методом прогонки, не требующим подитераций.
Условием завершения итераций метода
сопряжённых градиентов (5), было изменение критерия качества менее чем на 0,1%.
Эффективность методов идентификации оценивалось не только по степени
минимизации критерия , но и по
степени приближения искомого вектора к точному значению - . Расчёты
проводились при следующих значениях: , , , , , , , , , . Величина в расчетах
принималась равной .
Анализ результатов вычислений
В таблице 1 приведены результаты
идентификации вектора при расчете
градиента посредством численного дифференцирования, а в таблице 2 - при расчете
градиента с использованием сопряженной задачи.
Таблица 1. Результаты идентификации
коэффициента температуропроводности при расчете градиента посредством
численного дифференцирования
Видно, что в первом случае (таб. 1)
удаётся существенно лучше восстановить вектор , он приближается к точному значению
на
несколько порядков ближе, чем во втором случае (таблица 2).
Таблица 2. Результаты идентификации
коэффициента температуропроводности при расчете градиента посредством
сопряжённой задачи
Однако при этом затрачивается в
несколько раз больше итераций . В тоже время необходимо отметить,
что с точки зрения практических результатов идентификации коэффициента
теплопроводности, для МНЛЗ оба метода дают достаточно высокую точность
моделирования.
Если оценивать вычислительные
затраты в обеих методах, то мы получим следующее. Метод численного
дифференцирования (6) на каждой итерации требует решений дифференциального уравнения
(1) с учётом внутренних подитераций для преодоления нелинейности задачи, а
метод с линейной сопряжённой задачей требует всего решений:
дифференциальное уравнение (1) и сопряжённое дифференциальное уравнение (8) на
каждой итерации. В нижних строках таблиц 1 и 2 приведено результирующее
количество решений дифференциальных уравнений в каждом случае. Мы видим, что
метод численного дифференцирования, обладающий относительно высокой точность
при малых размерностях вектора , с ростом размерности теряет
точность и требует значительно возрастающих вычислительных затрат. В то же
время метод с сопряжённой задачей оказывается не чувствительным к размерности
искомого вектора .
Выводы
температуропроводность слиток
тепловой градиент
Таким образом, при идентификации градиентными
методами теплофизических векторов-параметров небольшой размерности
целесообразно использовать численное дифференцирование целевой функции,
которое, к тому же, относительно просто реализуется. При большой размерности, и
тем более бесконечной, когда искомый параметр - функция, необходимо
использовать сопряжённую задачу для расчёта градиента.
Список литературы
1. Толстых
В. К. Прямой экстремальный подход для оптимизации систем с распределенными
параметрами / Виктор Константинович Толстых. - Донецк: Юго-Восток, 1997. - 178
с.
2. Прямая
оптимизация теплофизических процессов/ [Огурцов А. П., Недопекин Ф. В., Толстых
В. К., Володин Н. А.]. - Донецк: Юго-Восток, 1997. - 150 с.
. Бородин
В.С. Идентификация параметров в моделях формирования отливок / В. С. Бородин,
Н. А. Володин, В. К. Толстых // Процессы литья. - 1995. - №1. - с. 96 - 101.
. Толстых
В.К. Идентификация теплофизических параметров в виде полиномов, зависящих от
температуры / Недопекин Ф. В., Бодряга В. Е. //
Технічна теплофізика та
промислова теплоенергетика. - 2009. -
Випуск
№1. - С. 193-199.
5. Недопекин
Ф.В. Математическое моделирование гидродинамики и тепломассопереноса в слитках
/ Федор Викторович Недопекин. - Ижевск: Из-во Удмуртского университета, 1995. -
236 с.
6. Jorge
Nocedal Numerical Optimization / Jorge Nocedal, Stephan J. Wright. - Springer,
1999. - 636 p.
7. Тихонов
А.Н. Уравнения математической физики/ Тихонов А., Самарский А. - М.: Наука,
1966. - 724 с.