生成式人工智能与混合模型加速反应流动的大涡旋模拟：用于氢/甲烷燃烧
流体动力学
2025-07-14 v1
摘要
随着碳中和理念的日益强调，对燃烧预测的准确性和效率在新一代燃烧系统的设计与优化方面变得至关重要。本研究建立了将大涡旋模拟（LES）与生成式机器学习方法相结合的计算框架，这种方法集成了模态分解和神经网络，实现了对氢/甲烷燃烧的快速预测。选取了典型的喷嘴式热coflow燃烧器作为基准配置。采用涡流动概念模型进行LES计算，同时采用17种物种和58步的骨架机理。得到的LES结果与实验数据在温度和物料质量分数方面表现出良好的一致性，验证了本LES结果的准确性。对流动特性和火焰结构进行了分析，为选择预测参数提供了参考。采用正交功率分解（POD）提取主导流动特征，构建了一种混合自回归模型，将模态分解与深度学习（POD-DL）结合，用于预测燃烧场的时间演化。与LES数据进行比较，包括瞬时轮廓、径向分布、直方图和相对均方根误差，结果表明预测结果与实际数据表现出良好的一致性。其主要复杂性在于捕捉燃烧中固有的混沌和细尺度结构。据作者所知，这是首次将此类混合生成式模型应用于反应流动预测，标志着利用数据驱动替代模型加速燃烧研究中性的 CFD 模拟的重要一步。该方法在两种测试案例中实现了121倍和845倍的加速比。该实现将集成到即将发布的ModelFLOWs-app中。
引用
@article{arxiv.2507.08426,
title = {Generative artificial intelligence and hybrid models to accelerate LES in reactive flows: Application to hydrogen/methane combustion},
author = {Xiangrui Zou and Rodrigo Abadia-Heredia and Laura Saavedra and Alessandro Parente and Rui Xue and Soledad Le Clainche},
journal= {arXiv preprint arXiv:2507.08426},
year = {2025}
}