基于物理的参数化神经常微分方程：火箭燃烧室内激光点火预测
机器学习
2023-05-05 v2
摘要
在本工作中，我们提出了一种新颖的基于物理的数据驱动框架，用于基于参数化神经常微分方程（PNODE）对模型火箭燃烧室中的激光点火进行降阶建模。深度神经网络作为激光点火高维参数的函数被嵌入，以预测0D流动模型中的各项，包括热源函数、指前因子和活化能。利用0D流动模型的支配方程，我们的PNODE仅需有限数量的训练样本，并在满足物理约束的同时预测温度、压力和组分质量分数等各种量的轨迹。我们在原型火箭燃烧室中激光诱导点火的高保真计算流体动力学（CFD）模拟的解快照上验证了我们的基于物理的PNODE。我们将基于物理的PNODE与核岭回归和全连接神经网络的性能进行了比较。我们的结果表明，我们的基于物理的PNODE提供的平均温度随时间变化的均绝对误差更低，从而改进了具有高维参数的成功激光点火的预测。
引用
@article{arxiv.2302.08629,
title = {Physics-based parameterized neural ordinary differential equations: prediction of laser ignition in a rocket combustor},
author = {Yizhou Qian and Jonathan Wang and Quentin Douasbin and Eric Darve},
journal= {arXiv preprint arXiv:2302.08629},
year = {2023}
}