研究人员提出了一种物理约束的机器学习框架，用代理模型替换详细化学源项的直接评估，以加速湍流反应流的直接数值模拟 (DNS)。该方法通过强制非负熵产生，将热力学第二定律作为训练约束纳入其中，从而将热化学状态的演化限制在物理上允许的方向上，并提高了时间积分期间的稳定性。
- 在二维平面贫预混甲烷-空气火焰与湍流场相互作用的 DNS 中进行了演示。
- 以高保真度重现详细化学结果，同时将计算成本降低了一个数量级以上。
- 利用基于残差的合成数据增强策略，从原始数据集构建新的训练数据。
- 能够在不要求额外详细化学 CFD 运行的情况下，在新入口条件下进行精确模拟。
作者认为这很重要，因为受热力学约束的机器学习为高保真度燃烧模拟中的详细化学提供了可靠且计算高效的代理模型。