《Fluids》:A Neural Network Approach for the Simulation of Real Fluid Two-Phase Combustion Using a Multi-Species (H2/O2) Mechanism
Bruno Delhom,
Chaouki Habchi,
Olivier Colin and
Julien Bohbot
编辑推荐:
为突破传统查表法在模拟多组分真实流体燃烧时面临的内存与计算效率瓶颈,研究人员提出了一种基于人工神经网络(ANN)与现场自适应列表(ISAT)相结合的方法,成功将真实流体模型(RFM)框架扩展至多物种燃烧模拟。该研究构建了三个专用神经网络分别预测关键热力学与输运性质,在保持精度的同时将计算效率提升20倍,为复杂多组分两相燃烧的高效高保真模拟提供了创新性解决方案。
在追求更高能源效率与更严格环境约束的今天,超临界压力下的燃料(如氢气、氨气、甲烷)喷射与燃烧技术已成为研究热点。这要求计算流体动力学(CFD)求解器能够同时模拟亚临界、跨临界和超临界状态下的可压缩两相流动,其核心挑战在于精确而高效地计算复杂的热力学和输运性质。法国石油与新能源研究院(IFPEN)开发的真实流体模型(RFM, Real Fluid Model)框架为此提供了物理基础。然而,传统上,RFM依赖于通过汽液平衡(VLE, Vapor-Liquid Equilibrium)计算生成物性查询表,对于二元或三元化学系统尚可应对。但当模拟涉及众多化学物种(species)和自由基(radicals)的实际燃烧过程时,常规查表法的内存需求会变得极其庞大,计算开销陡增,甚至变得不可行,成为制约高保真多组分两相燃烧模拟的关键瓶颈。
为了解决这一难题,本研究提出了一种创新的、基于人工神经网络(ANN, Artificial Neural Network)的方法,以替代传统的物性查表,旨在将RFM框架高效、准确地应用于多物种燃烧模拟。为此,研究人员开发了一套结合VLE热力学求解器与现场自适应列表(ISAT, in situ adaptive tabulation)方法的数据集生成策略,以优化神经网络的训练过程。该ANN方法在CONVERGE CFD求解器中实现,并通过对一个与火箭发动机条件相关的二元(液氧/气氢,LOX/GH2)混合层基准案例,以及一个学术性的气体(H2/O2)燃烧案例(使用10物种详细化学反应机理)进行验证,证明了其可行性与优势。研究结果表明,所提出的ANN方法使得在RFM框架下耦合10物种反应机理进行H2燃烧模拟成为可能,且计算效率相比直接耦合VLE算法提升了20倍。该论文发表在《Fluids》期刊上。
本研究采用了几个关键技术方法:首先,利用现场自适应列表(ISAT)方法优化热力学数据库的生成,与常规结构化列表相比,该方法能自动聚焦于高梯度变化区域(如相变边界)进行密集采样,同时在平缓区域减少数据点,从而在保证精度的前提下将所需数据点减少超过50%(从1,030,301点减少到557,277点)。其次,采用多神经网络架构,而非单一的ANN模型,通过OPTUNA工具优化网络超参数。最终确定了三个独立的专用神经网络,分别用于预测对CFD求解稳定性和守恒至关重要的密度(ρ)和比内能(e),以及其余热力学(Cv, Cp, Cs)和输运性质(λ, μ)。最后,通过集成内部开发的NNICE v1.0推理工具,将优化后的ANN模型高效集成到CONVERGE CFD求解器中,以加速多层感知机(MLP)神经网络的前向预测。
研究结果
- •
2. The RFM Governing Equations
本节概述了控制真实流体模型(RFM)的基本方程。该模型是一个在热平衡和机械平衡假设下、适用于多组分两相流的完全可压缩四方程扩散界面模型。模型封闭最初依赖于基于PR-EoS或SRK-EoS等真实流体状态方程生成的物性查询表。文章指出,当物种数超过三个时,传统查表法的表格尺寸会变得过大,因此提出采用ANN方法来克服这一限制,以实现可扩展的高效CFD燃烧模拟。
- •
3. Data Base Generation Using an ISAT Method
本节详述了利用ISAT方法生成优化数据库的过程。与生成均匀但可能在高梯度区域采样不足的常规结构化列表不同,ISAT方法能够动态地对输入-输出对进行排序,构建二叉树。其核心是通过比较新计算点与已有叶节点数据的归一化L2范数差异,来决定是舍弃冗余数据还是创建新叶节点。这一方法能自动在密度等物性变化剧烈的区域(如气液相边界附近)进行更精细的采样,而在变化平缓的区域则保留较少数据点。如图1所示,在P=105 bar的平面上,ISAT方法生成的数据点分布能更有效地捕捉密度梯度的细节,同时将数据点总数减少了约50%,显著优化了后续ANN训练的数据集。
- •
4. Artificial Neural Network Generation
本节介绍了多神经网络的设计与优化过程。研究最初尝试使用单一ANN预测所有物性,但发现对于密度(ρ)和比内能(e)这两个关键参数(直接关联质量和能量守恒方程)的预测精度不足,易导致CFD求解器崩溃。因此,最终采用了三个独立的专用神经网络:两个网络分别专门预测ρ和e,第三个网络预测其余所有热力学和输运性质(Cv, Cp, Cs, λ, μ)。这种分工架构(示意图见图3)允许对每个网络进行针对性训练和优化,有效降低了整体预测误差,增强了CFD模拟的稳定性和鲁棒性。网络训练采用均方误差(MSE)作为损失函数,在超级计算节点上使用TensorFlow完成。
- •
5. LOX/GH2Shear Layer Benchmark
本节通过一个二元(LOX/GH2)剪切层基准案例验证了ANN方法的有效性。研究比较了三种模拟结果:使用常规查表法(RFM-TAB)、使用基于常规表数据训练的ANN(RFM-NN-REG)以及使用基于ISAT优化数据训练的ANN(RFM-NN-ISAT)。瞬时H2质量分数云图(图5)和时均速度剖面(图6)的对比显示,RFM-NN-ISAT的结果与作为基准的RFM-TAB结果高度吻合,其匹配度明显优于RFM-NN-REG。这证明了ISAT方法在生成高质量训练数据方面的优越性,是确保ANN预测准确性的关键步骤。
- •
6. H2/O2Combustion Test Case
本节在一个0维均质反应器中进行了H2/O2气体燃烧测试,以验证RFM-NN-ISAT框架在真实燃烧模拟中的可行性。研究使用SAGE详细化学反应求解器,并比较了两种物性计算方式:直接耦合CARNOT库(RFM-CARNOT,作为参考)和耦合RFM-NN-ISAT框架。首先,通过对超过25万个测试点的验证表明,三个神经网络对物性的预测与CARNOT计算结果相比误差非常小(图7)。随后的燃烧过程模拟结果显示,RFM-NN-ISAT方法成功复现了温度、压力(图8)以及关键物种(H2, O2, H2O, OH)质量分数(图9)随时间变化的历程,与参考模拟结果高度一致。最显著的优势体现在计算效率上:使用RFM-NN-ISAT方法的模拟运行时间仅为直接耦合CARNOT VLE算法方法的1/20(表3),实现了巨大的加速。
结论与意义
本研究的结论是,所提出的基于多神经网络和ISAT优化数据生成的方法,成功地将真实流体模型(RFM)框架扩展到了多物种两相燃烧的模拟中。该方法不仅克服了传统查表法在模拟多组分系统时面临的内存和计算瓶颈,而且通过专用神经网络架构显著提升了对关键守恒量(密度和比内能)的预测精度,从而保证了CFD求解器的数值稳定性和收敛性。在LOX/GH2混合层和H2/O2燃烧两个验证案例中,该方法均展现出与高保真参考方法高度一致的结果,同时将计算成本降低了20倍。
这项工作的重要意义在于,它为高效、高精度地模拟涉及众多化学物种的复杂真实流体两相燃烧问题提供了一条切实可行的技术路径。ISAT方法优化了训练数据,使神经网络能更精准地学习复杂热力学行为;而多网络分工的架构则提高了模型的鲁棒性和预测可靠性。该研究为未来模拟更接近工程实际(如火箭发动机、燃气轮机)的复杂两相燃烧配置铺平了道路。此外,该方法具有普遍的适用性,可扩展至燃烧和流体动力学其他领域,为实现复杂多组分环境中热力学现象的快速、准确建模提供了强有力的工具。展望未来,结合基于GPU的推理加速,有望进一步大幅提升CFD求解器的计算性能。