通过物理感知数据增强和尺度分离提升氨/天然气燃烧动力学的深度学习
流体动力学
2025-09-26 v2
摘要
准确且高效的模拟氨燃烧是推动氨基能源系统发展的关键因素，其中湍流火焰动力学和排放物形成 strongly 影响实际应用。然而，这类模拟受限于需要求解高维刚性化学常微分方程 (ODE)，这构成了主要的计算瓶颈。为此，本文探索了用于求解氨/天然气燃烧中 Flame 化学动力学的刚性 ODE (DFODE) 的深度学习方法。从一维 (1D) 自由传播的预混 laminar 火焰中获得热力学训练数据，引入结合邻近状态插值和受约束随机扰动的 physics-aware 数据增强策略，以克服火焰前端梯度突变处采样不平衡的问题。此外，评估了用于模型目标 formulation 的转换策略，通过针对跨越多个数量级的目标进行尺度分离，显著提升了低温区域的预测准确性。1D laminar 火焰的验证结果表明，这些改进措施有效，而在二维 (2D) 在均匀各向同性湍流 (HIT) 条件下传播的火焰中的后验评估表明，训练得到的模型能够推广至未见情况。DNN 类比器在高保真度 CFD 模拟中实现了最高可达 20 倍的加速。这些结果凸显了基于深度学习的化学动力学在加速氨/天然气燃烧建模方面的潜力，支持用于新兴零碳能源系统的高效可扩展高保真模拟。
引用
@article{arxiv.2507.08277,
title = {Enhancing deep learning of ammonia/natural gas combustion kinetics via physics-aware data augmentation and scale separation},
author = {Ke Xiao and Yangchen Xu and Han Li and Zhi X. Chen},
journal= {arXiv preprint arXiv:2507.08277},
year = {2025}
}