Pesquisadores apresentam um framework de aprendizado de máquina com restrição física que substitui a avaliação direta dos termos fonte químicos detalhados por um modelo substituto para acelerar a simulação numérica direta (DNS) de fluxos reativos turbulentos. A abordagem incorpora a segunda lei da termodinâmica como uma restrição de treinamento ao impor geração de entropia não negativa, o que restringe a evolução do estado termoquímico a direções fisicamente admissíveis e melhora a estabilidade durante a integração temporal.
- Demonstrado em DNS de uma chama plana bidimensional de metano-ar premisturado pobre interagindo com um campo de fluxo turbulento.
- Reproduz resultados de química detalhada com alta fidelidade enquanto alcança uma redução de mais de uma ordem de magnitude no custo computacional.
- Utiliza uma estratégia de aumento de dados sintéticos baseada em resíduos para construir novos dados de treinamento a partir do conjunto original.
- Permite simulação precisa em novas condições de entrada sem exigir execuções adicionais de CFD com química detalhada.
Os autores consideram isso significativo porque o aprendizado de máquina com restrição termodinâmica fornece substitutos confiáveis e computacionalmente eficientes para química detalhada em simulações de combustão de alta fidelidade.