干净燃烧中的物理信息神经网络：通往可持续航空推进的道路
流体动力学
2025-09-11 v1 化学物理
摘要
实现清洁燃烧系统对于解决环境影响、减排和可持续发展问题至关重要。传统的计算流体动力学燃烧建模技术在计算成本和湍流-化学相互作用的准确表示方面面临挑战。物理信息神经网络（Physics-Informed Neural Networks, PINNs）作为一种新框架，将物理规律与数据驱动学习相结合，显示出作为替代方法的巨大潜力。通过直接将守恒方程整合到训练过程中，PINNs能够在数据有限的情况下实现复杂燃烧现象的准确无网格建模。本综述检视了这一方法如何应用于清洁燃烧系统，同时关注其对航空航天应用的影响，包括火焰动力学、湍流燃烧、排放预测以及推进系统中的不稳定性管理。下一代航空发动机依赖PINNs来降低计算成本，提高预测性能，并实现实时控制方法。本分析通过探讨当前障碍和未来路径，展示了PINNs如何革新航空推进系统中的可持续和高效燃烧技术。
引用
@article{arxiv.2509.08094,
title = {Physics-Informed Neural Networks in Clean Combustion: A Pathway to Sustainable Aerospace Propulsion},
author = {Mahmood Mousavi and Caleb Caldwell and Jacob Baltes and Muteb Aljasem and Bok Jik Lee},
journal= {arXiv preprint arXiv:2509.08094},
year = {2025}
}