具有机器学习的参数化降阶模型用于混合和燃烧问题的空间仿真
摘要：参数化降阶模型(PRM)快速而准确地模拟多种混合和燃烧问题中的物理场的空间分布。该模型集成了实验设计、高维数据同化、基于适当正交分解(POD)的模型降阶和机器学习(ML)的最新进展。ML方法包括高斯过程克里金法、二阶多项式回归、k最近邻、深度神经网络(DNN)和支持向量回归。通过模拟蒸汽稀释燃料混合和氧气在三重同轴喷嘴中的燃烧的仿真，对使用不同ML方法的参数化降阶模型进行了仔细检验。考虑了燃料混合比(氢/甲烷)和蒸汽稀释比两个设计参数。使用拉丁超立方设计方法确定采样点进行数值模拟和训练数据同化。结果表明，使用克里金法的降阶模型在预测温度、速度大小和燃烧产物等几乎所有物理场方面表现出优越的性能，而使用DNN的降阶模型的准确性则不理想，因为对训练数据库的大小有严格要求，而许多工程问题的特定性和相关数据的可用性是有限的。对于空间场的模拟，参数化降阶模型相比传统数值模拟可实现高达八个数量级的更快计算速度，为设计和优化提供了高效的框架。
作者：Chenxu Ni, Siyu Ding, Xingjian Wang
论文ID：2308.14566
分类：Fluid Dynamics
分类简称：physics.flu-dyn
提交时间：2023-08-29