层次化多保真学习：用于预测三维火焰皱褶与湍流燃烧速度
机器学习
2026-05-12 v1 计算物理
流体动力学
摘要
高保真实验表征受限于成本和复杂性，尤其是在高压和强湍流条件下，对耦合火焰形貌和燃烧动力学的测量稀缺。本文开发一种层次化多保真神经网络框架（MuFiNNs），通过整合稀疏的高保真实验数据与编码主导物理趋势的结构化低保真表示来应对这一挑战。该框架结合层次化低保真构建与非线性多保真校正，学习耦合的几何和化学火焰行为，同时恢复简化模型无法捕捉的差异。该方法应用于扩张型湍流混合燃烧火焰，预测在不同燃料、压力和湍流强度下的三维火焰皱褶动力学和湍流质量燃烧速度。利用实验导向的低保真趋势模型与稀疏高保真测量，MuFiNNs准确重构观察到的火焰行为，实现对未见操作条件的插值，并在训练域之外 demonstrate robust extrapolation。重要的是，该框架在噪声、弱结构或实验不可及的情形下依然有效，而常规数据驱动方法往往在此类情形下失败。这些结果表明，层次化多保真学习为数据稀缺情形下的预测燃烧建模提供了可扩展且物理导向的策略。更广泛地说，本工作确立了多保真科学机器学习作为从稀疏实验中提取物理有意义预测模型的实用框架，特别适用于不稳定性主导和对湍流敏感的反应流，其中高保真数据获取成本高昂。
引用
@article{arxiv.2605.08232,
title = {Hierarchical Multi-Fidelity Learning for Predicting Three-Dimensional Flame Wrinkling and Turbulent Burning Velocity},
author = {Saghar Zolfaghari and Yu Xie and Junfeng Yang and Safa Jamali},
journal= {arXiv preprint arXiv:2605.08232},
year = {2026}
}