Исследователи представили фреймворк машинного обучения, ускоряющий прямое численное моделирование турбулентных реагирующих потоков. Система заменяет ресурсоемкие вычисления химических источников суррогатной моделью, предсказывающей скорость реакций на основе термохимического состояния. Для обеспечения физической достоверности в процесс обучения интегрированы ограничения второго закона термодинамики, что повышает точность прогнозирования сложных химических процессов в динамических средах.
Традиционные методы моделирования турбулентности требуют колоссальных вычислительных мощностей из-за необходимости детального расчета химических превращений в каждой точке сетки. Новый подход использует аугментацию остаточных данных, что позволяет модели эффективно обучаться на ограниченных наборах данных, сохраняя при этом строгое соответствие физическим законам сохранения энергии и энтропии.
Применение подобных суррогатных моделей критически важно для проектирования двигателей внутреннего сгорания, газотурбинных установок и систем промышленного горения. Использование нейросетевых аппроксимаций вместо классических решателей позволяет сократить время симуляции в десятки раз, сохраняя при этом высокую точность, сопоставимую с результатами прямого численного моделирования (DNS).
Ключевые факты
- Разработан метод машинного обучения с ограничениями по энтропии для моделирования химической кинетики.
- Модель заменяет вычисление детальных химических источников суррогатным предиктором скоростей реакций.
- В архитектуру обучения внедрены ограничения второго закона термодинамики для повышения физической консистентности.
- Метод предназначен для ускорения прямого численного моделирования (DNS) турбулентных реагирующих потоков.
- Технология использует аугментацию остаточных данных для повышения точности на сокращенных термохимических состояниях.