基于集成的深度框架从火焰面生成流形估算热化学状态变量
机器学习
2022-11-28 v1 机器学习
摘要
湍流燃烧流的完整计算包含两个不同的步骤：将反应动力学映射到低维流形，以及在 CFD 运行时查找此近似流形以估算热化学状态变量。在我们之前的工作中，我们表明使用深度架构联合而非分别学习这两步，相比基准在估算关键状态变量源能时精度提高 73%，且可集成于 DNS 湍流燃烧框架中。此类深度架构在其自然形式下不允许对感兴趣量（源能与关键物种源项）进行不确定性量化。本文中，我们基于此类架构（具体而言 ChemTab）进行扩展，引入深度集成以近似感兴趣量的后验分布。我们研究了创建这些集成模型的两种策略：一种保留火焰面来源信息（Flamelets 策略），另一种忽略来源并将所有数据独立看待（Points 策略）。为训练这些模型，我们使用了由 GRI--Mech 3.0 甲烷机理生成的火焰面数据，其包含 53 种化学物种与 325 个反应。我们的结果表明，Flamelets 策略在感兴趣量的绝对预测误差上更优，但依赖于用于训练集成的火焰面类型。Points 策略最擅长捕捉感兴趣量的变异性，且与火焰面类型无关。我们总结道，总体而言，相比未经这些修改的模型，ChemTab 深度集成允许对源能与关键物种源项进行更精确的表示。
引用
@article{arxiv.2211.14098,
title = {An Ensemble-Based Deep Framework for Estimating Thermo-Chemical State Variables from Flamelet Generated Manifolds},
author = {Amol Salunkhe and Georgios Georgalis and Abani Patra and Varun Chandola},
journal= {arXiv preprint arXiv:2211.14098},
year = {2022}
}