训练卷积神经网络估计湍流亚格子尺度反应速率
流体动力学
2019-08-02 v1
摘要
本工作提出了一种基于卷积神经网络（CNN）的预混湍流燃烧建模新方法。我们首先提出一个框架，将亚格子火焰面密度估计问题重构为机器学习任务。训练 CNN 所需的数据由在狭缝燃烧器构型中稳定的预混湍流火焰的直接数值模拟（DNS）产生。设计了一个受 U-Net 架构启发的 CNN，并在 DNS 流场上进行训练以估计亚格子尺度褶皱。随后将其在未稳态湍流火焰上测试，该火焰平均入口速度在短时间内增大，火焰必须对变化的湍流来流作出响应。研究发现该 CNN 能有效提取火焰的拓扑性质并预测亚格子尺度褶皱，优于经典代数模型。该方法可视为动态公式的数据驱动扩展，其中拓扑信息以往以人工设计方式提取。
引用
@article{arxiv.1810.03691,
title = {Training convolutional neural networks to estimate turbulent sub-grid scale reaction rates},
author = {C. J. Lapeyre and A. Misdariis and N. Cazard and D. Veynante and T. Poinsot},
journal= {arXiv preprint arXiv:1810.03691},
year = {2019}
}