基于动态潜在空间表示的激光诱导火箭点燃生成预测
机器学习
2026-03-10 v1
摘要
激光点燃火箭发动机的准确预测性尺度解析仿真耗时极长，因为该问题包含湍流燃料氧化剂混合动力学、激光能量沉积以及高速火焰生长。同时，这与以激光操作条件和目标位置为主的大规模设计空间相伴随。为实现快速探索和不确定性定量化，本文提出一种数据驱动的代理建模方法，将卷积自动编码器（cAEs）与神经普通微分方程（neural ODEs）相结合。本文将基于机器学习的代理模型应用于领先的多物理湍流仿真，标志着代理模型向解决更复杂现实问题的范式转变。首先，cAE在空间上将高维流场压缩到低维潜在空间，其中学习系统的时间动力学。训练完成后，模型可从初始条件和指定的运行输入生成快速的时空预测。通过学习替换整个时序仿真的代理模型，预测单次点燃试验的成本可降低几个数量级，从而高效探索输入参数空间。此外，由于该方法产生时空场预测，评估模型输出的物理依托性更为可 tractable。该方法标志着面向激光点燃火箭 Combustor 实时数字孪生体的重要进步，并代表了复杂系统情境下的代理建模。
引用
@article{arxiv.2603.07525,
title = {Generative prediction of laser-induced rocket ignition with dynamic latent space representations},
author = {Tony Zahtila and Ettore Saetta and Murray Cutforth and Davy Brouzet and Diego Rossinelli and Gianluca Iaccarino},
journal= {arXiv preprint arXiv:2603.07525},
year = {2026}
}