Los investigadores presentan un marco de aprendizaje automático restringido por física que reemplaza la evaluación directa de los términos fuente químicos detallados con un modelo sustituto para acelerar la simulación numérica directa (DNS) de flujos reactivos turbulentos. El enfoque incorpora la segunda ley de la termodinámica como una restricción de entrenamiento al imponer la generación de entropía no negativa, lo que restringe la evolución del estado termoquímico a direcciones físicamente admisibles y mejora la estabilidad durante la integración temporal.
- Demostrado en DNS de una llama plana bidimensional de metano-aire premixada pobre interactuando con un campo de flujo turbulento.
- Reproduce los resultados de química detallada con alta fidelidad mientras logra una reducción de más de un orden de magnitud en el costo computacional.
- Utiliza una estrategia de aumento de datos sintéticos basada en residuos para construir nuevos datos de entrenamiento a partir del conjunto original.
- Permite simulaciones precisas en nuevas condiciones de entrada sin requerir ejecuciones adicionales de CFD con química detallada.
Los autores consideran esto significativo porque el aprendizaje automático restringido termodinámicamente proporciona sustitutos confiables y computacionalmente eficientes para la química detallada en simulaciones de combustión de alta fidelidad.