稠密神经网络在基于流形的火焰-壁面相互作用建模中的应用
流体动力学
2023-08-14 v1
摘要
人工神经网络（ANNs）是通用逼近器，能够学习任意输入数据与对应输出之间的任何关联，这也可用于燃烧领域中表征低维化学流形。本工作开发了一种流程，利用 ANN 化学流形模拟经历侧壁淬熄的预混甲烷-空气火焰。在所研究情形中，火焰特征由两个典型问题支配：核心流中的绝热火焰传播，以及由向壁面的焓损失所控制的非绝热火焰-壁面相互作用。类似于淬熄火焰片生成流形（QFM）的列表化，该神经网络在 1D 正碰淬熄火焰数据库上训练以学习内在化学流形。ANN 的控制参数（即输入）通过稀疏主成分分析（PCA）从热化学状态变量中辨识，无需火焰物理的先验知识。这些输入量随后在耦合 CFD 求解器中输运，并在模拟运行时用于流形访问。化学源项在流形边界处被修正，以确保热化学状态始终有界。最后，通过与具有详细化学机理的二维侧壁淬熄（SWQ）构型以及基于火焰片的流形（QFM）的模拟结果比较，对 ANN 模型进行了评估。
引用
@article{arxiv.2308.05775,
title = {Application of dense neural networks for manifold-based modeling of flame-wall interactions},
author = {Julian Bissantz and Jeremy Karpowski and Matthias Steinhausen and Yujuan Luo and Federica Ferraro and Arne Scholtissek and Christian Hasse and Luc Vervisch},
journal= {arXiv preprint arXiv:2308.05775},
year = {2023}
}