一种用于准确且鲁棒地预测燃烧化学动力学的深度神经网络多尺度采样方法
化学物理
2022-08-15 v2 机器学习
数值分析
数值分析
计算物理
流体动力学
摘要
由于参数数量极多且缺乏评估标准和可重复性，机器学习长期被视为预测燃烧化学动力学的黑箱。当前工作旨在理解关于深度神经网络（DNN）方法的两个基本问题：DNN 需要什么数据，以及 DNN 方法的泛化能力如何。采样和预处理决定了 DNN 训练数据集，进一步影响 DNN 预测能力。当前工作提出使用 Box-Cox 变换（BCT）来预处理燃烧数据。此外，本工作比较了有或无预处理的不同采样方法，包括蒙特卡洛方法、流形采样、生成式神经网络方法（cycle-GAN）以及新提出的多尺度采样。我们的结果表明，由流形数据训练的 DNN 能在有限构型下捕捉化学动力学，但面对扰动时无法保持鲁棒，而扰动对于与流场耦合的 DNN 是不可避免的。蒙特卡洛和 cycle-GAN 采样能覆盖更宽的相空间，但未能捕捉小尺度中间物种，产生较差的预测结果。基于多尺度方法、无需特定火焰模拟数据的三层隐藏层 DNN，可在多种场景中预测化学动力学，并在时间演化中保持稳定。该单一 DNN 易于与多个 CFD 代码集成，并在多种燃烧器中得到验证，包括（1）零维自发着火、（2）一维自由传播火焰、（3）具有三火焰结构的二维射流火焰，以及（4）三维湍流抬升火焰。结果展示了预训练 DNN 令人满意的精度和泛化能力。为可重复性起见，DNN 及示例代码的 Fortran 和 Python 版本附于补充材料中。
引用
@article{arxiv.2201.03549,
title = {A multi-scale sampling method for accurate and robust deep neural network to predict combustion chemical kinetics},
author = {Tianhan Zhang and Yuxiao Yi and Yifan Xu and Zhi X. Chen and Yaoyu Zhang and Weinan E and Zhi-Qin John Xu},
journal= {arXiv preprint arXiv:2201.03549},
year = {2022}
}