结合机器学习的参数化降阶模型用于混合与燃烧问题的空间仿真
流体动力学
2023-08-29 v1
摘要
混合与燃烧过程的高保真模拟通常计算量大且耗时，阻碍了其于工业设计与优化中的广泛应用。本研究提出参数化降阶模型（ROMs），以快速准确的方式对多组分混合与燃烧问题的物理场空间分布进行仿真。该模型集成了实验设计、高维数据同化、基于本征正交分解（POD）的模型降阶以及机器学习（ML）的最新进展。所关注的 ML 方法包括高斯过程克里金、二阶多项式回归、k近邻、深度神经网络（DNN）和支持向量回归。通过仿真由三同轴喷嘴喷出的蒸汽稀释燃料混合物与氧气的混合及燃烧，仔细考察了采用不同 ML 方法的参数化 ROMs。考虑了两个设计参数：燃料混合比（氢/甲烷）和蒸汽稀释比。进行了数值模拟，并在由拉丁超立方设计方法确定的采样点同化了训练数据。结果表明，带克里金的 ROM 在不同验证点预测几乎所有物理场（如温度、速度大小和燃烧产物）方面表现出优越性能。DNN 的 ROM 精度不尽如人意，因为其对训练数据库规模有严格要求，而许多工程问题具有特殊性且相关数据可用性有限，无法保证该要求。对于空间场的仿真，参数化 ROMs 实现了比传统数值模拟快多达八个数量级的周转时间，促进了高效的设计与优化框架。
引用
@article{arxiv.2308.14566,
title = {Parametric reduced order models with machine learning for spatial emulation of mixing and combustion problems},
author = {Chenxu Ni and Siyu Ding and Xingjian Wang},
journal= {arXiv preprint arXiv:2308.14566},
year = {2023}
}