关于深度学习生成的化学 ODE 积分器精度与泛化能力的综合研究
流体动力学
2023-12-29 v1
摘要
深度神经网络 (DNN) 的应用作为燃烧模拟中化学源项直接积分的替代方案具有广阔的前景。然而，在确保跨不同燃料和流动条件的高精度与泛化能力方面仍存在挑战。在本研究中，我们提出并验证了一种一致的 DNN 方法，用于多种燃料和预混火焰构型中的化学积分。该方法从一组低维层流火焰中生成热化学基态，随后采用有效的扰动策略以增强组分空间的覆盖率，从而获得更高的泛化能力。接着，采用基于放热率的约束准则来移除非物理的扰动状态，以提高精度。在无需特定调优的情况下，针对三种代表性燃料（即氢气、乙烯和 Jet-A）一致地训练了三个 DNN。使用一维层流火焰和两种典型的湍流预混火焰进行了全面验证。DNN 模型对各种物理特性的预测，包括层流和湍流火焰速度、受湍流-化学相互作用影响的动态火焰结构以及条件标量剖面，均与直接积分获得的结果表现出良好的一致性。这证明了所提出的 DNN 方法具有出色的精度和泛化能力。此外，当 DNN 用于模拟时，化学积分实现了显著的加速，乙烯/空气火焰约为 50 倍，Jet-A/空气火焰约为 90 倍。
引用
@article{arxiv.2312.16387,
title = {A comprehensive study on the accuracy and generalization of deep learning-generated chemical ODE integrators},
author = {Han Li and Ruixin Yang and Min Zhang and Runze Mao and Zhi X. Chen},
journal= {arXiv preprint arXiv:2312.16387},
year = {2023}
}