Исследователи представляют фреймворк машинного обучения, ограниченного законами физики, который заменяет прямое вычисление детальных химических членов источника суррогатной моделью для ускорения прямого численного моделирования (DNS) турбулентных реактивных течений. Подход включает второй закон термодинамики в качестве ограничения при обучении путем обеспечения неотрицательного производства энтропии, что ограничивает эволюцию термохимического состояния физически допустимыми направлениями и улучшает стабильность во время интегрирования по времени.
- Продемонстрировано на DNS двумерного плоского пламени бедной предварительно смешанной метано-воздушной смеси, взаимодействующей с полем турбулентного течения.
- Воспроизводит результаты детальной химии с высокой точностью, достигая более чем десятикратного снижения вычислительных затрат.
- Использует стратегию синтетического дополнения данных на основе остатков для построения новых обучающих данных из исходного набора.
- Позволяет проводить точное моделирование при новых граничных условиях на входе без необходимости дополнительных запусков CFD с детальной химией.
Авторы считают это значимым, поскольку машинное обучение, ограниченное законами термодинамики, обеспечивает надежные и вычислительно эффективные суррогаты для детальной химии в высокоточных симуляциях горения.