शोधकर्ता एक भौतिक-बद्ध मशीन लर्निंग फ्रेमवर्क प्रस्तुत करते हैं जो विस्तृत रासायनिक स्रोत पदों के सीधे मूल्यांकन को एक प्रतिस्थापी मॉडल से बदल देता है ताकि अशांत प्रतिक्रियाशील प्रवाह (turbulent reacting flows) की प्रत्यक्ष संख्यात्मक सिमुलेशन (DNS) को तेज किया जा सके। दृष्टिकोण ऋणात्मक न होने वाली एन्ट्रॉपी उत्पादन को लागू करके, ऊष्मागतिकी के दूसरे नियम को एक प्रशिक्षण बाधा के रूप में शामिल करता है, जो ऊष्मारसायनिक अवस्था के विकास को भौतिक रूप से स्वीकार्य दिशाओं तक सीमित करता है और समय एकीकरण के दौरान स्थिरता में सुधार करता है।
- एक द्वि-आयामी समतल लीन प्रीमिक्स्ड मिथेन-वायु ज्वाला की DNS पर दिखाया गया, जो एक अशांत प्रवाह क्षेत्र के साथ इंटरैक्ट कर रही है।
- उच्च फिडेलिटी के साथ विस्तृत-रसायन परिणामों को पुन: उत्पन्न करता है, जबकि गणनात्मक लागत में दस गुणा से अधिक की कमी हासिल करता है।
- मूल डेटासेट से नए प्रशिक्षण डेटा बनाने के लिए अवशिष्ट-आधारित संयुक्त डेटा वृद्धि रणनीति का उपयोग करता है।
- अतिरिक्त विस्तृत-रसायन CFD रनों की आवश्यकता के बिना नए इनलेट स्थितियों पर सटीक सिमुलेशन को सक्षम बनाता है।
लेखकों का मानना है कि यह महत्वपूर्ण है क्योंकि ऊष्मागतिकीय रूप से बद्ध मशीन लर्निंग उच्च-फिडेलिटी दहन सिमुलेशन में विस्तृत रसायन के लिए विश्वसनीय और गणनात्मक रूप से कुशल प्रतिस्थापी प्रदान करती है।