《Fuel》:Supervised learning-adaptive global pathway selection method coupled with in-situ adaptive tabulation to accelerate reacting simulations
编辑推荐:
研究人员提出了一种新的化学简化方案,该方案结合了神经网络和一种名为自适应全局路径选择(Global Pathway Selection, GPS)的既有简化算法,并与原位自适应制表(In-Situ Adaptive Tabulation, ISAT)方法相耦合
研究人员提出了一种新的化学简化方案,该方案结合了神经网络和一种名为自适应全局路径选择(Global Pathway Selection, GPS)的既有简化算法,并与原位自适应制表(In-Situ Adaptive Tabulation, ISAT)方法相耦合。这一创新方法使得执行大规模、高保真度的详细化学反应机理模拟成为可能。本研究建立在作者先前提出的监督学习-全局路径选择(Supervised Learning-GPS, SL-GPS)方法之上。在前期研究中,研究人员利用两种不同的燃烧机理,即GRI-Mech 3.0和PCRL-Mech1,在一系列操作条件(包括温度、压力和当量比的变化)下,进行了全面的零维(0D)先验验证。在本研究中,SL-GPS方法与动态自适应化学制表(Tabulation of Dynamic Adaptive Chemistry, TDAC)方法相结合,以加速采用隐式大涡模拟(Implicit Large Eddy Simulations, ILES)方法进行全尺寸三维(3D)反应流模拟。研究人员将基于SL-GPS的TDAC方法应用于Sandia Flame D构型的模拟,并将结果与现有的制表-简化方法,即基于有向关系图误差传播(Directed Relation Graph with Error Propagation, DRGEP)的TDAC方法进行比较。结果表明,与传统TDAC方法相比,该方法在计算成本和精度方面均表现出优越性能。基于SL-GPS的TDAC方法在预测自由基和中间物种时,其精度高于基于DRGEP的TDAC方法,并将计算速度提升了高达50%。结果展示了该新方法在降低使用详细机理的反应流模拟计算成本方面的潜力。
湍流燃烧模拟在整合化学反应时带来了独特的计算挑战。在这些情况下,通常需要包含有限速率详细化学反应,即单独计算每个反应的速率和每个组分的摩尔分数。这需要求解一组刚性耦合微分方程。求解这些刚性方程需要专门的常微分方程(Ordinary Differential Equation, ODE)求解器,例如DVODE[1]、CVODE[2]、Seulex[3]和Rosenbrock[4]。当化学反应机理包含大量物种和反应路径时,求解这些方程会产生巨大的计算需求。因此,本研究的动机在于降低反应流模拟中化学反应的计算成本,同时保留与详细求解器相关的高保真度。文献中已存在多种降低燃烧建模成本的方法[5]。原位自适应制表(ISAT)[6]方法自适应地构建化学方程解的查找表。当当前热化学状态与制表条件匹配时,检索制表解,从而避免了高成本的计算。否则,算法直接求解化学方程并扩展制表数据。这可能导致存储需求随时间大幅增加,在内存使用和计算资源方面带来实际挑战。制表方法中的数据存储挑战已在文献中得到认识[7]、[8],并已提出各种解决方案来应对此问题[9]、[10]、[11]。
除制表外,详细化学反应机理可以简化为包含相关物种和反应的更小子集。虽然传统上物种的选择是通过手动或敏感性研究完成的,但已存在基于详细机理模拟数据自动选择重要物种和反应的算法。有向关系图(Directed Relation Graph, DRG)方法[12]创建了一个连接物种的图,以量化它们对其他物种反应速率的贡献。如果一个物种的贡献超过阈值,则认为该物种是依赖的。简化机理包括所有直接或间接依赖于关键物种(燃料、氧化剂、产物)的物种。有向关系图误差传播(DRGEP)方法[13]修改了DRG方法,考虑了通过中间物种连接的物种。依赖度量随着物种间距离的增加而几何衰减,这提供了更精确的物种耦合表示。路径通量分析(Path Flux Analysis, PFA)方法[14]使用基于单个生成和消耗通量而非净反应速率的依赖度量。这使得能够更好地评估那些净反应速率低但对点火延迟有很大影响的物种(如NOx物种)。该方法还考虑了跨越两个反应世代的物种依赖性。具体而言,如果物种A通过一个反应生成中间物种B,然后B参与生成第三个物种C的反应,那么物种A和C在有向图中是直接连接的。包含更多世代会呈指数级增加PFA的计算成本,限制了其实际应用。
全局路径选择(GPS)[15]使用元素通量的有向图来识别具有大量元素通量的物种作为“枢纽物种”。然后搜索从反应物到产物通过枢纽物种的最快路径,以识别一组重要的全局路径。沿着这些路径选择重要的物种和反应构成简化机理。与专注于一代或两代直接相互作用的DRG和PFA方法不同,GPS在保持计算效率的同时,纳入了多代反应路径的贡献。GPS的性能与一种增强型DRGEP(结合了敏感性分析)在正庚烷/甲苯/异辛烷/空气燃烧中进行了比较[16]。研究表明,仅含245个物种的GPS机理在预测点火延迟方面的误差显著低于由增强型DRGEP生成的276个物种的机理[15]。
在其诞生之初,大多数机理简化算法用于根据一系列详细模拟的数据,先验地生成单一的简化机理。该简化机理将用于一个或多个反应流模拟的全过程。近年来,动态自适应化学(Dynamic Adaptive Chemistry, DAC)[17]作为一种方案出现,它可以在一次模拟中的不同时间和空间点生成不同的机理。它通过根据变化的热化学条件自适应地调整物种和反应的数量来提高计算效率。虽然DAC框架最初是用DRGEP简化方案验证的,但它可以纳入其他简化方法。基于DRG的DAC框架应用于湍流部分充分搅拌反应器模拟,对GRI-Mech 3.0和USC-Mech 2.0[19]机理实现了3-6倍的计算加速[18]。
制表动态自适应化学(TDAC)[20]结合了ISAT和DAC方法论,其核心是尽可能检索制表化学,在必须求解化学时则进行自适应机理简化。尽管计算成本随处理器数量和代码可扩展性而变化,但在均质充气压缩点火模拟中,已证明仅使用ISAT对561个物种的详细机理可获得13倍的加速因子[21]、[22],而TDAC在相同条件下实现了150倍的加速[20]。在Delft Jet-in-Hot-Coflow(DJHC)火焰模拟中实施的一项TDAC研究,使用POLIMIC1C3HT机理(107个物种)将计算速度提高了10倍[23]、[24]。这些研究表明,机理简化显著减少了大型机理的计算时间,而制表对较小机理更为有效。
鉴于GPS在单一机理背景下相比DRGEP的优越性能,有理由推测将GPS整合到TDAC中可能比基于DRGEP的TDAC产生更大的计算节省。然而,自适应运行化学简化所关联的成本可能相当高。因此,DAC或TDAC的应用主要局限于计算开销与机理规模成线性比例的简化方法[25](例如DRG、DRGEP、元素通量分析[26])。据作者所知,尚未有人尝试优化GPS程序以用于自适应使用(不同于DRG[27]),或者将其计算时间与其他方法进行基准测试,而这超出了本文的范围。尽管如此,很明显GPS程序比DRGEP在计算上更为复杂。搜索全局路径依赖于K-最短路径算法。在最初的GPS实现中,Gao等人[15]使用了Yen的[28]算法,其时间复杂度为O(N
3)[29],其中N是物种(节点)的数量。如果K=1(如本文所假设),复杂度降低到Dijkstra算法的O(N
2)[30]、[31],并可以使用Fibonacci堆进一步优化至O(M+NlogN)[32],其中M是反应(边)的数量。由于每个枢纽物种都需要进行路径搜索,GPS的总体复杂度为O(N[M+NlogN]),使其在N或M上是非线性的。为了在TDAC中实现更快的计算,需要一种新方法来绕过GPS简化算法的高成本。
为解决此问题,研究人员将监督学习人工神经网络(Artificial Neural Network, ANN)与GPS集成到一个称为SL-GPS的框架中[11]。SL-GPS包含两个阶段:训练阶段和应用阶段。在训练阶段,GPS根据各种条件下的自燃数据生成一组简化机理。这些机理及其相应的热化学条件被用于训练一个ANN。在应用阶段,ANN以一种模仿GPS算法的方式,根据热化学数据选择机理。由于调用预先训练的ANN的成本远低于GPS算法本身,这使得可以在不承担实时运行GPS成本的情况下获得GPS简化的收益。到目前为止,虽然SL-GPS尚未直接用DAC或TDAC验证,但它已被自适应地应用于使用GRI-Mech 3.0机理(53个物种,325个反应)的0D自燃模拟中。它也在乙醇燃烧的PCRL-Mech1[33]机理(67个物种,1016个反应)上进行了验证,表明其可扩展到更大的机理。在此,自适应SL-GPS预测的详细机理结果(温度、放热率和物种摩尔分数)的精度,以及所涉及的物种和反应数量,与自适应GPS相当。
在本研究中,研究人员扩展了SL-GPS的验证,将其作为TDAC的基础应用于三维反应流模拟中。尽管所开发的化学简化与制表方法(SL-GPS与TDAC集成)可以应用于使用理想气体或真实气体状态方程(Equation of State, EoS)的反应流求解器,但在本研究中,使用Peng–Robinson状态方程闭合守恒方程(质量、动量和能量)。这确保了在高压应用中降低计算成本的优势,在这些条件下,真实气体效应和Peng–Robinson等立方状态方程是必不可少的。在这样的条件下,热力学性质的迭代求解器和反应速率对温度的强烈依赖显著增加了计算复杂性,正如研究人员在先前研究[34]中所证明的,使用Peng–Robinson状态方程使计算成本增加了五倍以上。真实气体、混合物和热力学性质计算的详细信息概述于附录B中。Sandia Flame D构型在文献中有广泛记录[35],为SL-GPS-based TDAC实施的比较和验证提供了可靠基础。模拟结果与基于DRGEP的TDAC方法以及实验数据进行比较,其中GRI-Mech 3.0机理在所有模拟中用作详细机理。
本文结构如下:第2节讨论方法论,包括SL-GPS及其与TDAC的集成。第3节描述反应流求解器和Sandia Flame D构型。第4节介绍了DRGEP-based TDAC与SL-GPS-based TDAC在Sandia Flame D结果上的比较,并与实验数据进行对照。第5节提供总结与结论。
(数值方法)
在本节中,研究人员简要讨论了SL-GPS方法,并介绍了其在TDAC和反应流求解器中的集成。此外,他们概述了基于OpenFOAM v6(一个广泛用于多相和反应湍流模拟的开源计算流体力学库)的三维瞬态反应流求解器,该求解器遵循ILES方法。他们强调了基于SL-GPS的TDAC与该求解器的集成,该求解器已被用于模拟Sandia Flame D。
(计算模型)
用于求解控制方程的数值格式采用一阶欧拉格式对非稳态项进行离散化的隐式时间积分。隐式时间积分允许更大的时间步长和更有效的计算,但导致一个代数方程组,需要迭代求解,同时考虑反应机理中涉及的多种物种的输运和反应。ILES中的这种隐式方法能够捕捉更大、主导的湍流结构……
(结果与讨论)
关于SL-GPS预测0D自燃过程与详细化学反应机理的验证,以及为GRI-Mech 3.0机理生成数据集和训练ANN的细节已在第2.1节中讨论。Sandia Flame D的三维模拟使用基于DRGEP的TDAC和基于SL-GPS的TDAC两种方法进行。研究人员比较了DRGEP和SL-GPS方法在预测中心线上温度以及不同物种(即H2、OH、CO2、CO、N2、O2、H2O和CH4)摩尔分数分布方面的差异。研究人员发现,与基于DRGEP的TDAC相比,基于SL-GPS的TDAC在预测主要产物(如CO2和H2O)和中间自由基(如OH)的摩尔分数时,与详细机理的预测结果更为接近,表现出更高的保真度。具体而言,基于SL-GPS的TDAC在火焰核心区域和下游区域对自由基和中间物种的预测准确性显著优于基于DRGEP的方法。
(计算成本分析)
最后,研究人员比较了基于DRGEP的TDAC和基于SL-GPS的TDAC的计算成本,如图10(a)所示。作为参考,使用320个处理器时,模拟2百万单元0.1秒的平均计算时间为250小时。在使用160个处理器的情况下,采用SL-GPS显示了约50%的性能提升。基于DRGEP的方法在约80小时内完成0.1秒的模拟,而基于SL-GPS的方法仅需约40小时即可完成相同的模拟。研究人员指出,这种计算效率大幅提升的主要原因是SL-GPS方法显著减少了每个时间步和网格点上需要求解的化学机理规模。由于ANN调用的成本极低,基于SL-GPS的TDAC在每次需要自适应简化时,避免了执行完整GPS算法(具有非线性复杂度)的开销,从而实现了整体计算时间的大幅缩减。
(总结与结论)
本研究讨论了将监督学习辅助GPS方法(SL-GPS)与制表动态自适应化学(TDAC)集成在一个闭合了Peng-Robinson状态方程(EoS)的三维反应流求解器(嵌入在OpenFOAM软件包中)中的实施。SL-GPS方法将GPS的化学反应机理简化技术与人工神经网络(ANNs)相结合,实现了自适应简化。SL-GPS显著减少了Sandia Flame D湍流非预混火焰模拟中燃烧机理的物种和反应数量。通过与广泛使用的基于DRGEP的TDAC方法在精度和计算成本方面的比较,研究人员证明了基于SL-GPS的TDAC的优越性。基于SL-GPS的TDAC在预测关键自由基和中间物种(如OH、H2和CO)的摩尔分数时,表现出与详细机理解(即GRI-Mech 3.0)更高的吻合度。在计算性能方面,基于SL-GPS的TDAC比基于DRGEP的TDAC快约50%。该研究的主要结论是,将SL-GPS与TDAC相结合,为复杂反应流的高保真度模拟提供了一种强大的计算加速工具,特别是在详细化学反应机理计算成本高昂的应用场景下(如高压燃烧)。该方法通过机器学习有效规避了高级简化算法的在线计算开销,同时继承了其选择重要化学路径的优势,实现了精度和效率的有效平衡。