面向非绝热火焰热化学建表的机器学习加速:基于温度剖面控制的迁移学习策略

《Energy and AI》:Machine learning tabulation of thermochemistry: Transfer learning for non-adiabatic flames

【字体: 大 中 小 】 时间:2026年04月25日 来源:Energy and AI 9.6

编辑推荐:

  为解决燃气轮机等非绝热燃烧系统中热化学源项计算昂贵且传统HFRD方法在强热损失下泛化受限的问题,本研究提出了一种温度剖面控制策略,通过构建一维燃烧器稳定火焰数据集扩展HFRD的焓空间覆盖范围。基于该数据训练的ANN模型在PRECCINSTA模型燃烧室LES-PDF模拟中,实现了与直接积分相当的高精度及显著加速,为工业非绝热燃烧的机器学习建表提供了有效解决方案。

  

燃烧模拟的“算力危机”与AI破局

设计高效清洁的燃气轮机,离不开计算流体力学(CFD)对湍流燃烧过程的精准模拟。然而,这背后隐藏着一个巨大的算力黑洞:为了计算化学反应的速率,模拟程序需要在每个网格点、每个时间步求解一组非线性、刚性的常微分方程(ODEs),这通常占据了整个模拟绝大部分的计算成本。
为了“偷懒”且不失真,科学家们想尽了办法。从早期的查表法(Look-up Table),到自适应建表(ISAT),虽然各有千秋,但要么受限于内存爆炸,要么受限于对新状态的适应性。近年来,人工智能(AI)提供了新思路:用人工神经网络(ANN)作为代理模型(Surrogate Model),直接学习从当前热化学状态(物种浓度、焓)到反应源项(物种变化率)的映射关系。一旦训练完成,ANN可以在毫秒级内给出预测,替代昂贵的直接积分(DI),实现十倍甚至更高的加速比。

泛化难题:当火焰遇到“冷墙”

尽管ANN在绝热火焰(无热损失)中表现出色,但工业燃烧室(如燃气轮机)往往是非绝热的——火焰会向壁面散热(Heat Loss),导致局部温度降低、化学反应路径改变。这给ANN带来了严峻的“迁移学习(Transfer Learning)”挑战。
此前,混合火焰面/随机数据(HFRD)方法是生成训练数据的佼佼者。它通过模拟一系列标准火焰(如层流火焰面),并对数据进行随机扰动,构建出覆盖面广的数据集,从而让ANN学会处理各种湍流火焰。然而,HFRD的数据本质源于绝热的火焰面模拟,其覆盖的焓空间有限。当面对强热损失场景时,ANN很容易遇到“没见过”的低焓状态,导致预测失准。

给火焰“装空调”:扩展HFRD的焓空间

为了解决非绝热场景的泛化问题,Alireza Darzi等人提出了一种巧妙的温度剖面控制策略,对HFRD方法进行了关键升级。
核心思路:设计一种“人工”的一维燃烧器稳定火焰(Burner-Stabilised Flame)问题,在其中预先指定温度剖面。这相当于在火焰中人为地加入了一个分布式的热源或热汇,从而精确控制火焰的焓值。通过改变流量、混合分数和温度剖面,可以系统性地生成覆盖更宽焓范围的热化学状态数据。
技术路线:
  1. 1.
    数据生成:利用上述温度控制方法,生成包含非绝热效应的初始数据集。
  2. 2.
    随机化扩展:应用HFRD的随机扰动流程,对初始数据进行扩充,形成最终的训练集。
  3. 3.
    模型训练:采用多层感知机(MLP)和贝叶斯正则化(Bayesian Regularisation)训练ANN代理模型,输入为物种质量分数(Y)和焓(h),输出为时间步长内的物种变化量(ΔY)。
  4. 4.
    验证与应用:首先在一维自由传播的CH4/H2-空气预混火焰(不同燃料入口)上验证迁移学习能力,随后应用于具有壁面热损失的PRECCINSTA模型燃气轮机燃烧室的大涡模拟-概率密度函数(LES-PDF)计算中。

结果:精度与速度的兼得

迁移学习能力验证

在预测一维自由传播火焰时,基于新方法训练的ANN成功处理了与训练数据不同的燃料入口条件,准确预测了温度与物种分布,证明了其强大的跨配置泛化能力。

工业级燃烧室模拟

在PRECCINSTA燃烧室的LES-PDF模拟中,ANN加速的模拟结果与直接积分化学动力学的基准结果(DNS-level)表现出非常好的一致性。更重要的是,在计算热化学源项时实现了数量级的加速,且内存占用远低于传统查表法。

结论与意义:打开工业应用的大门

这项研究证实,通过温度剖面控制策略扩展HFRD数据集,可以有效地将机器学习热化学建表的能力边界从绝热火焰推展至非绝热火焰。该方法的核心优势在于:
  • •
    物理引导的数据生成:通过设计带温度控制的火焰问题,而非纯粹随机采样,确保了数据在热化学状态空间中的物理合理性和广泛覆盖性。
  • •
    即插即用:该方法不局限于LES-PDF,可无缝集成于任何需要实时计算反应源项的湍流燃烧模型(如DNS、CMC、PaSR等)。
  • •
    工程实用化:为燃气轮机、锅炉等存在显著热损失的工业燃烧装置的高保真、快速数值优化提供了可行的技术路径。

关键技术方法概要

研究采用温度剖面控制的一维燃烧器稳定火焰作为基础数据源,结合HFRD随机化流程构建训练集;利用多层感知机(MLP) 构建代理模型,以物种质量分数与焓为输入预测反应源项,并采用贝叶斯正则化优化训练;最终在PRECCINSTA模型燃气轮机燃烧室的LES-PDF框架下进行了非绝热湍流火焰的验证模拟。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号