没有合适的资源?快使用搜索试试~ 我知道了~
~ρ+·t˜ ˜˜~˜˜ ˜用分类算法加速高保真燃烧模拟钟伟棠,1,*Aashwin Ananda Mishra,2Nikolaos Perakis,1,3Matthias Ihme,11美国斯坦福大学机械工程系,斯坦福,CA 943052SLAC国家加速器实验室,Menlo Park,CA 94025,USA3空间推进系主任,慕尼黑工业大学,85748 Garching,德国*通讯作者:wtchung@stanford.edu摘要高保真燃烧模拟对于优化工程设计是有用的,并且可以导致降低设计成本、增加工程性能和降低排放。在这些模拟中,燃烧化学的表示是计算瓶颈。在这项研究中,我们加快了非定常燃烧模拟采用神经网络的动态燃烧子模型分配。以局部流动特性作为输入变量和燃烧模型误差作为训练标签来训练的神经网络分配三种不同的燃烧模型-先验结果与随机森林产生的结果进行比较。一个后验模拟,在计算流体动力学求解器中集成的神经网络模型,表明高保真度的模拟,可以用这种方法进行显着降低的成本相比,详细的化学模拟,同时实现提高精度的低阶燃烧模型。介绍燃烧过程存在于工程应用中,例如在火箭、热发电机和推进发动机中。因此,准确的燃烧模拟技术对于优化工程设计是有用的,并且可以导致降低设计成本、增加工程性能以及显著降低温室气体排放和污染物。然而,这种高保真模拟技术的普遍采用受到瓶颈的限制,该瓶颈来自燃烧化学的高计算费用。因此,燃烧研究的很大一部分已经致力于开发用于在大规模高保真模拟中表示燃烧化学的具有成本效益的模型或者,数据驱动的方法可以用于快速和准确的预测建模。特别地,人工神经网络已经被用于回归热物理量(Christo et al. 1996; Blasco等人1999; Ihme,Schmitt,and Pitsch 2009; Kempf,Flemming,and Jan-术语(Lapeyre et al. 2019; Henry de Frahan et al. 2019年)。然而,流动物理问题中的监督学习仍处于起步阶段,并且在外推超出训练集时面临挑战-导致仅与训练数据表示的特定流动配置匹配的数值预测产生的泛化错误(Wu,Xiao和Paterson 2018)。本研究通过采用机器学习分类算法来改善这一问题,该算法选择经过良好测试的基于物理的燃烧子模型,这些子模型具有不同的保真度和复杂性,并将它们分配到仿真域的不同区域因此,由机器学习算法产生的潜在近似误差受到最低性能子模型的预测能力先前的工作(Chung et al. 2020)研究了随机森林(Breiman 2001)在燃烧子模型分配中的应用。虽然随机森林可以提供高分类精度,但深度学习方法的发展为神经网络提供了学习空间和时间数据的优势,这在流动物理问题中常见为此,我们研究了应用神经网络的目的,本地和动态模型分配的大涡模拟(LES)的气态氧/气态甲烷(GOX/GCH4)火箭燃烧室(Silvestri等。2015、2016)。从一个先验的调查结果进行评估,并与随机foretts的结果进行比较。最后,通过一个后验神经网络集成仿真来验证该方法的有效性方法,以及实现的计算增益。数学模型本研究中的大涡模拟是通过求解质量、动量、能量和化学物质的Favre过滤守恒方程(ρu)=0( 1a)t(ρu)++·(τv+τt)(1b)t(ρe~)+icka 2005; Sen和Menon 2010),并对湍流进行版权所有© 2021由其作者。在知识共享许可署名4.0国际(CC BY 4.0)下允许使用+·[(τv+τt)·u](1c)t(ρφ)+其中密度ρ、速度矢量u、比总能量e、应力张量τ和热通量矢量q;·表示过滤~t表示粘性和粘性的量,相对地。的Y{}问∈Σǁǁ∞| |问×个~˜ ˜ ˜˜ǁ∇ǁ~问×个∈ X×个是Favre过滤的量。下标v和压力P由理想气体状态方程计算φ、J和S是候选燃烧模型的传输标量、标量扩散流和标量源项。动态Smagorinsky模型(Moin et al. (1991年)和 IM 的 数 量 感 兴 趣 的 Q 从 generated 火 焰 表(Pitsch1998)插值。其次,我们将标签=IM,FPV,FRC分配给训练数据。我们认为FRC燃烧模型的保真度最高,但在最高的计算成本为代价。因此,我们根据以下条件在训练集中分配标签:和动态增稠火焰模型(Colin et al.(2000)量的归一化燃烧子模型误差用于在湍流项中模拟闭合模拟是通过采用非结构化的可压缩FRC和较低保真度模型之间的感兴趣的α Q(Wu et al. 2015年):有限体积求解器(Khalighi et al. 2011;Ma,Lv,andIhmeFRCy2017;Wuet al. 2019年)。在这项工作中,我们采用了三种不同的燃烧子模型,即惰性混合(IM)模型,y1=QN|α− α|αFRCα∈Q其中y∈ {FPV, IM},(2)小火焰/进展变量(FPV)模型(Pierce和Moin2004;Ihme、Cha和Pitsch 2005)和有限速率化学(FRC)模型。本框架将不同其中,考虑N=Q个感兴趣的数量(QoI)的误差每个单独的子模型误差。更高保真度的模型燃烧模型与吴等人开发的方法。当QoI子模型误差y超过用户-(2019),其确保质量、动量和能量守恒。FRC所需的化学状态矢量的重建涉及从存储所有物种的化学表中插值,而列表化学所需的进度变量的重建涉及所有主要燃烧产物物种的总和:CO 2,CO,H 2 O和H 2。 为了确保燃烧子模型之间的一致性,在每个时间步,在子模型界面处对非活动燃烧模型应用前述重建。GRI-3.0化学机制(Smithet al.2000),涉及33种化学物质,用于描述燃烧化学。实验配置和计算设置我们进行模拟的气态氧-气态甲烷火箭燃烧室设置Silvestri等人。(2015,2016)使用轴对称域。我们选择这种配置来挑战FPV在代表正确壁面热流方面的缺点,FPV导致较厚的热边界层和CO质量分数的过度预测,如图所示。1.入口燃料和氧化剂质量流率和温度,以及燃烧室和喷嘴壁温度 根 据 实 验 测 量 结 果 进 行 描 述 ( Silvestri 等 人 ,2005)。2015,2016; Perakis和Haidn 2019)。 所有剩余边界均定义为绝热防滑壁,排气除外,排气建模为压力出口。计算域离散由2 - 10- 5细胞组成的块结构的网格。壁法线方向分辨率低至30µ m,墙壁模型(Kawai和Larsson2013)用于粘性子层。典型的时间步长为25ns,对应于1.0的对流CFL数。定义的阈值θy,当不满足选择FPV和IM的所有条件时选择FRC第三,我们构造特征向量x. 本最后,我们应用最大信息系数(MIC)(Reshef et al.2011)以识别与局部燃烧子模型误差具有最强关系的前六个(十五个中的)热物理量。 这六个特征,即混合分数、进度变量、密度、局部普朗特数和混合分数梯度的欧几里得范数,即,x=[Z,C,ρ,T,Pr∆,运动发酵2)然后被选择用于构造特征集。最后,我们训练,验证和测试的分类算法。在这项调查中,我们比较了神经网络和随机森林的先验研究中的燃烧1× 10- 4训练点已随机抽样从一个单一的模拟快照组成的2 × 10 -5细胞。随机森林的超参数,consisting的20个决策树,和10个节点的最大深度,使用随机网格搜索。此外,神经网络的超参数由4个隐藏的稠密层与L2正则化由36个节点组成的使用贝叶斯优化。结果我们首先执行先验评估以确定神经网络和随机森林分类的准确性,如表1所示,在来自看不见的时间步长的单片FRC模拟测试数据集上。来自测试数据集的温度场和CO质量分数场如图所示2a. 和2b. 选择温度T作为QoI来描述燃烧效率和发动机性能。选择CO质量分数YCO来挑战FPV和IM的不足在捕获中间物种中(Wuet al. 2019年)。 在整个研究中,我们探讨了使用相同阈值的情况对于IM和FPV,即,为简单起见,θIM= θFPV= θQ。数据驱动方法Q Q在本节中,我们描述了将监督学习算法用于燃烧子模型分配的过程首先,我们使用燃烧室FRC模拟的瞬时流场解作为学习数据集。然后使用FRC数据重建FPV分类精度范围从大约0.7到0.8,这与在其他流动物理问题中使用分类器相当(Maulik等人,2008)。2019年)。 我们注意到,虽然两个分类器的燃烧子模型分配精度是相当的,但神经网络产生较少的“斑点”子模型分配。这是一种改进,因为它减少了ϵ~我的天我的天图1:单片FRC和FPVLES的时间平均温度和CO质量分数。化学计量混合物的位置,Zst=0。2,用黑线表示。表1:神经网络的先验分析,总结子模型分配和分配准确度。情况θ{T,CO}=0.05θ{T,CO} =0.02θ{T,CO} =0.05θ{T,CO} =0.02分类器神经网络神经网络随机森林随机森林IM:FPV:FRC2019 - 05 - 22 00:00分类精度0.773 0.696 0.753图2:先验评估中测试集的瞬时(a)温度、(b)CO质量分数和(c,d)燃烧子模型分配。化学计量混合物的位置,Z~st=0。2,用黑线表示在一些实施例中,在子模型界面处的不同燃烧子模型之间的重构操作可以是可重构的图2c. 和2D。演示了在θ T,CO = 0的情况下,在一个看不见的FRC模拟快照上的先验燃烧子模型分配。05分别使用神经网络和随机森林。对于所示的两种情况下,惰性混合(IM)被分配在6%的域在喷射器和氧化剂的核心,其中化学过程是微不足道的。总的来说FRC分配在富燃料区域的喷射器的中间物种的反应没有被捕获以及列表化学子模型的下游 采用随机森林导致域内31%的FRC分配,而神经网络导致20%的FRC分配。图2e. 和2f. 演示了情况θT,CO= 0的先验燃烧子模型分配。02分别使用神经网络和随机森林。在这里,神经~我的天图3:时间平均温度、CO质量分数以及时间平均和瞬时燃烧子模型分配后验数据辅助LES使用神经网络。化学计量混合物的位置,Zst= 0。2,用黑线表示。网络不能识别出IM应该应用于燃料喷射器,导致5%的较低的总体IM分配。 除了上述的富燃料区域,两个分类器分配FRC的近壁区域,这是必不可少的准确的热和物种边界层的预测。这导致神经网络和随机森林的FRC分配分别为49%和52%图3示出了使用模型阈值θ T,CO = 0的后验数据辅助(DA)LES的温度和CO质量分数场。02,通过采用飞行中的神经网络分类器在模拟运行时间期间进行燃烧子模型分配。 温度场和CO质量分数场与单块图中的FRC LES1,其中热边界层和CO质量分数被正确捕获。相应的燃烧子模型分配也在图2中示出3. FRC利用率为66%,导致75%的FRC成本,或者等效地,计算成本降低25%。结论这项工作展示了一种数据驱动的建模方法,神经网络和随机森林分类器空间和动态地分配三个不同的候选燃烧子模型。这种建模方法在复杂火箭燃烧室的仿真中得到了验证结果表明,神经网络和随机森林表现出很高的分类精度为这项任务。然而,随机森林比神经网络产生更多的斑点子模型分配。一个后验模拟纳入神经网络的作品显示出显着的改善,从单片FPV模拟在所有数量的成本比单片FRC计算低25%。扩展这项工作的有趣机会包括探索神经网络中的卷积层和递归层,以更好地整合空间和时间数据。致谢作者感谢空军科学研究办公室根据第1999号奖给予的财政支持。FA 9300 -19-P-1502,NASA,编号:80NSSC18C0207,以及来自斯坦福大学Harold和MarciaWagner工程奖学金。支持这项工作的资源提供的高端计算(HEC)计划在美国宇航局艾姆斯研究中心。引用Blasco,J. A.; Fueyo,N.; Larroya,J. C.; Dopazo,C.;和Chen,J.纽约一九九九年。用人工神经网络对甲烷-空气化 学 系 统 进 行 单 步 时 间 积 分 。 计 算 机 Chem.Eng.23(9):1127-1133。布莱曼湖2001.随机森林马赫学习45(1):5-32。Christo,F. C.; Masri,A. R.; Nebot、E. M.;和Pope,S.芽孢1996.模拟湍流反应系统的PDF/神经网络集成方法 文告燃烧仪表26:43-48.Chung , W.T.; Mishra , A.A.; Perakis , N.; 和 Ihme ,M.2020年。使用随机森林的动态子模型分配的数据辅助燃烧模拟。arXiv2009.04023。Colin,O.;Ducros,F.;Veynante,D.;和Poinsot,T.两千湍流预混燃烧大涡模拟的增稠火焰模型。物理学 Fluids12(7):1843-1863.Henry de Frahan,M. T.; Yellapantula,S.; King,R.;日先生S.; 和Grout,R.水渍2019年。对假定概率密度函数模型的深度学习 燃烧 火焰208:436-450。Ihme,M.;查角M.;和Pitsch,H. 2005.用小火焰/进展变量方法预测非预混湍流燃烧中局部熄灭和再点火效应。过程燃烧30:793-800。Ihme,M.; Schmitt,C.;和Pitsch,H. 2009.钝体旋流稳定火焰化学表征的最佳人工过程燃烧32:1527-1535。Kawai,S.;和Larsson,J.2013年。高雷诺数下大涡模拟的动态非平衡壁面模拟Phys.Fluids25(1):015105.Kempf,A.;Flemming,F.;和Janicka,J.2005年用大涡模拟研究有驾驶员的扩散火焰中的长度尺度、标量耗散和火焰方向。过程燃烧30:557-565。Khalighi,Y.;Nichols,J.W.; Ham,F.;Lele,S.K.; 莫因P. 2011.非结构大涡模拟预测各种结构中紊流射流噪声AIAA Paper 2011-2886.拉佩尔角J.; Misdariis,A.; Cazard,N.; Veynante,D.;和Poinsot,T.2019年。 训练卷积神经网络以估计湍流亚网格尺度反应速率。 燃烧火焰203:255-264。Ma,P. C.; Lv,Y.;和Ihme,M. 2017.模拟跨临界真实流体流动的熵稳定混合格式。J. Comput. 340:330-357。Maulik,R.; San,O.; Jacob,J. D.; Crick,C. 2019.通过深度学习进行亚网格尺度模型分类和混合。J. FluidMech. 870:784-812。Moin,P.; Squires,K.; Cabot,W.;和Lee,S. 1991. 可压缩湍流和标量输运的动态亚网格尺度模式。物理学 流体A 3(11):2746-2757。Perakis,N.;和Haidn,O. J. 2019.应用于电容冷却火箭推力室的逆传热方法。国际热质传递杂志150-166皮尔斯角D.; 和Moin,P.2004年非预混湍流燃烧大涡模拟的过程变量法。J. Fluid Mech. 504:73-97。Pitsch,H. 1998. FLAME MASTER V 3.1:一个用于0D燃烧和1D层流火焰计算的C++计算机程序。Pope,S.芽孢2013年。 小尺度、多物种和湍流燃烧的多重挑战。 文告燃烧 Inst.34:1-31.Reshef,D. N.; Reshef,Y. A.; Finucane,H. K.; 格罗斯曼美国R.; McVean,G.; Turnbaugh,P. J.; Lander,E. S.;Mitzen-macher,M.;和Sabeti,P.梭2011年。在大数据集中检测新的关联Science334(6062):1518森湾A.; 和Menon,S.2010年。湍流火焰大涡模拟的基于线性涡混合的制表和人工神经网络。燃烧Flame 157(1):62-74.Silvestri,S.;切拉诺湾P.; Haidn,O. J.;和Knab,O. 2015.圆形截面和方形截面单元件火箭燃烧室的比较 6欧元置信度航空航天科学(EUCASS)。Silvestri,S.;切拉诺湾P.; Kirchberger,C.; Schlieben,G.; Haidn,O.;和Knab,O.2016年。单元件GOX-GCH 4燃烧室剪切同轴喷嘴凹进量变化的研究 译JSASS航空航天技术公司Japan 14(ists30):101-108.Smith,G.P.; Golden,D.M.; Frenklach,M.;和Moriartyet.等人,国水渍两千GRI机械3.0gri-mechhttp://www.me.berkeley.edu//.Wu,H.; Ma,P. C.; Jaravel,T.;和Ihme,M. 2019.改进CO排放的Pareto有效燃烧模型在大涡模拟中对二甲醚湍流射流火焰的预测过程燃烧37(2):2267-2276。Wu,H.;看Y C.; Wang,Q.;和Ihme,M. 2015.预测复杂火焰形态的带子模型分配的Pareto有效燃烧框架。 燃烧火焰162:4208-4230。Wu,J. -L.; Xiao,H.;和Paterson,E.2018年。增强湍流模型的物理信息机器学习方法:一个综合框架。物理学版本 流体3:74602。
下载后可阅读完整内容,剩余1页未读,立即下载
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://profile-avatar.csdnimg.cn/default.jpg!1)
cpongm
- 粉丝: 4
- 资源: 2万+
上传资源 快速赚钱
我的内容管理 收起
我的资源 快来上传第一个资源
我的收益
登录查看自己的收益我的积分 登录查看自己的积分
我的C币 登录后查看C币余额
我的收藏
我的下载
下载帮助
![](https://csdnimg.cn/release/wenkucmsfe/public/img/voice.245cc511.png)
会员权益专享
最新资源
- BSC关键绩效财务与客户指标详解
- 绘制企业战略地图:从财务到客户价值的六步法
- BSC关键绩效指标详解:财务与运营效率评估
- 手持移动数据终端:常见问题与WIFI设置指南
- 平衡计分卡(BSC):绩效管理与战略实施工具
- ESP8266智能家居控制系统设计与实现
- ESP8266在智能家居中的应用——网络家电控制系统
- BSC:平衡计分卡在绩效管理与信息技术中的应用
- 手持移动数据终端:常见问题与解决办法
- BSC模板:四大领域关键绩效指标详解(财务、客户、运营与成长)
- BSC:从绩效考核到计算机网络的关键概念
- BSC模板:四大维度关键绩效指标详解与预算达成分析
- 平衡计分卡(BSC):绩效考核与战略实施工具
- K-means聚类算法详解及其优缺点
- 平衡计分卡(BSC):从绩效考核到战略实施
- BSC:平衡计分卡与计算机网络中的应用
资源上传下载、课程学习等过程中有任何疑问或建议,欢迎提出宝贵意见哦~我们会及时处理!
点击此处反馈
![](https://img-home.csdnimg.cn/images/20220527035711.png)
![](https://img-home.csdnimg.cn/images/20220527035711.png)
![](https://img-home.csdnimg.cn/images/20220527035111.png)
安全验证
文档复制为VIP权益,开通VIP直接复制
![](https://csdnimg.cn/release/wenkucmsfe/public/img/green-success.6a4acb44.png)