Les chercheurs présentent un cadre d'apprentissage machine contraint par la physique qui remplace l'évaluation directe des termes source chimiques détaillés par un modèle substitut pour accélérer la simulation numérique directe (DNS) des écoulements réactifs turbulents. L'approche intègre la deuxième loi de la thermodynamique comme contrainte d'entraînement en imposant une génération d'entropie non négative, ce qui restreint l'évolution de l'état thermo-chimique vers des directions physiquement admissibles et améliore la stabilité lors de l'intégration temporelle.
- Démontré sur la DNS d'une flamle méthane-air pauvre plane bidimensionnelle interagissant avec un champ d'écoulement turbulent.
- Reproduit les résultats de chimie détaillée avec une haute fidélité tout en réduisant le coût computationnel d'un ordre de grandeur.
- Utilise une stratégie d'augmentation de données synthétiques basée sur les résidus pour construire de nouvelles données d'entraînement à partir du jeu de données original.
- Permet une simulation précise à de nouvelles conditions d'entrée sans nécessiter d'exécutions supplémentaires de CFD de chimie détaillée.
Les auteurs considèrent cela comme significatif car l'apprentissage machine contraint thermodynamiquement fournit des substituts fiables et efficaces sur le plan computationnel pour la chimie détaillée dans les simulations de combustion à haute fidélité.