연구자들은 상세 화학 소스 항의 직접 평가를 서rogate 모델로 대체하여 난류 연소류의 직접 수치 시뮬레이션(DNS)을 가속화하는 물리 제약 기계학습 프레임워크를 제시했습니다. 이 접근법은 음이 아닌 엔트로피 생성을 강제함으로써 열역학 제2법칙을 학습 제약으로 통합하며, 이는 열화학 상태 진화를 물리적으로 허용 가능한 방향으로 제한하고 시간 적분 중 안정성을 향상시킵니다.
- 난류 유동장과 상호작용하는 2차원 평면 약연소 메탄-공기 화염의 DNS에서 입증됨.
- 계산 비용을 한 차원 이상 감소시키면서도 상세 화학 결과를 높은 충실도로 재현.
- 원래 데이터셋으로부터 새로운 학습 데이터를 구축하기 위해 잔차 기반 합성 데이터 증강 전략을 활용.
- 추가적인 상세 화학 CFD 실행 없이도 새로운 입구 조건에서 정확한 시뮬레이션을 가능하게 함.
저자들은 열역학적으로 제약된 기계학습이 높은 충실도의 연소 시뮬레이션에서 상세 화학에 대해 신뢰할 수 있고 계산 효율적인 서rogate를 제공하기 때문에 이를 중요하게 여깁니다.