结合深度神经网络的大气压脉冲放电转化CO_(2)研究

为了提高等离子数值模拟在放电等离子体转化利用CO_(2)研究中的计算效率,提出了采用具有多个隐藏层的深度神经网络(DNN)来研究大气压脉冲放电转化CO_(2)的放电特性与等离子体化学性质,经过训练的DNN能够极大地提高计算效率。DNN预测结果表明:当外加电压幅值不变时,增加脉冲上升率可以提高放电电流密度和击穿电压,同时增强鞘层区域的电场;脉冲坪区宽度的增加会提高介质板表面电荷密度,增强反向感应电场的强度,进而提高脉冲下降阶段的放电电流密度。此外,提高脉冲上升率和坪区宽度都会提高CO、O_(2)等产物的密度,导致CO_(2)转化率的增加。基于有限的训练集,DNN能快捷、准确地给出海量的数据以揭示CO_(2)放电的演化特性与转化规律,这为研究放电等离子体技术转化CO_(2)提供了新的计算工具。