研究者らは、詳細な化学源項の直接評価をサロゲートモデルに置き換えることで、乱流燃焼流の直接数値シミュレーション（DNS）を加速する物理制約付き機械学習フレームワークを発表した。この手法は、正のエントロピー生成を強制することで熱力学第二法則をトレーニング制約として組み込み、熱化学状態の進化を物理的に許容される方向に制限し、時間積分中の安定性を向上させる。

  • 乱流流場と相互作用する二次元平面貧燃焼メタン・空気火炎のDNSで実証。
  • 計算コストが桁違いに削減されながら、詳細化学の結果を高忠実度で再現。
  • オリジナルデータセットから新しいトレーニングデータを構築するための残差ベースの合成データ拡張戦略を利用。
  • 追加の詳細化学CFDシミュレーションを必要とせずに、新たな入口条件での正確なシミュレーションを可能にする。

著者らは、熱力学的に制約された機械学習が、高忠実度燃焼シミュレーションにおける詳細化学のための信頼性が高く計算効率的なサロゲートを提供するため、これを重要視している。