层流燃烧速度是燃料的基本燃烧特性参数之一,是湍流燃烧研究的基础,是发动机数值模拟研究的基本输入参数,对燃料的层流燃烧速度进行准确测量和预测对实际燃烧器设计和改进有重要的意义。本文基于大量的二甲醚层流燃烧速度实验及数值模拟数据,利用机器学习多变量线性回归算法、神经网络算法和遗传优化算法对宽广条件下二甲醚层流燃烧速度进行了建模预测和分析,得到了二甲醚层流燃烧速度与初始条件的准确函数关系式和三种预测模型及预测结果。本文所建立的二甲醚层流燃烧速度预测模型可为二甲醚发动机数值模拟提供简单准确的输入数据,从而节约研究成本和计算时间。论文的主要研究工作体现在以下几个方面:1)基于文献中的实验数据及二甲醚详细化学反应动力学机理和ChemkinⅡ数值模拟软件,获得了168组不同初始条件下的二甲醚/空气预混层流燃烧速度,为机器学习多变量回归模型、神经网络模型和遗传优化算法模型的建立提供样本数据。2)基于机器学习多变量回归算法,建立了二甲醚/空气预混合气层流燃烧速度随初始条件(初始温度、初始压力和当量比)的函数关系式。研究发现,回归模型预测拟合度为0.973,预测效果良好;二甲醚层流燃烧速度随初始压力呈负指数关系,随初始温度呈正指数关系,表明二甲醚层流燃烧速度随初始压力的增大而减小,随初始温度的升高而增大。3)利用机器学习神经网络算法,建立了应用于二甲醚层流燃烧速度预测的三层神经网络模型,分析了隐含层神经元个数对神经网络预测模型预测能力的影响,发现隐含层神经元个数为5时,模型预测能力最好,此时拟合度为达到0.991。4)利用智能优化遗传算法对神经网络预测模型的初始权值阈值进行了优化,得到了更为稳定和精确的遗传算法优化模型,其拟合度为0.998,获得了更好的预测能力。通过对三种模型预测能力的对比发现,神经网络模型及遗传算法优化模型对样本数据预测性能较好,但其在常温常压和高压下的预测能力不及多变量回归模型。