综述:基于深度学习的不确定性量化分析在湍流非预混射流火焰燃烧建模中的应用

《Applications in Energy and Combustion Science》:Deep learning driven uncertainty quantification analysis for combustion modeling of turbulent non-premixed jet flames

【字体: 大 中 小 】 时间:2026年04月29日 来源:Applications in Energy and Combustion Science 6

编辑推荐:

  张成奇|杨斌|罗凯宏 清华大学能源与动力工程系,教育部热科学与动力工程重点实验室,燃烧能源中心,北京100084,中国 摘要 化学动力学和湍流燃烧模型的不确定性会显著影响燃烧模拟的可靠性。因此,量化这些不确定性至关重要,但由于传统不确定性量化(UQ)方法难以处理湍流

  张成奇|杨斌|罗凯宏
清华大学能源与动力工程系,教育部热科学与动力工程重点实验室,燃烧能源中心,北京100084,中国

摘要
化学动力学和湍流燃烧模型的不确定性会显著影响燃烧模拟的可靠性。因此,量化这些不确定性至关重要,但由于传统不确定性量化(UQ)方法难以处理湍流燃烧模型固有的高维性和复杂性,这在计算上仍然具有挑战性。在这项工作中,我们开发了一个基于活跃子空间(AS)方法的两阶段UQ分析框架,该框架利用傅里叶神经算子(FNO)替代品实现了快速准确的梯度评估。通过使用Reynolds平均纳维-斯托克斯(RANS)模拟Sandia/ETH CO/H2/N2喷流火焰来验证该框架的有效性。我们识别出湍流燃烧模型参数组合空间中的少数主导子空间以及从详细反应机制中提取的少数低维动力学活跃方向,这些方向捕获了模型的大部分不确定性,并证明了潜在的不确定性流形本质上是低维的。此外,还分析了化学动力学不确定性空间中基本反应的贡献,这些贡献作为标量耗散率(χ)的函数,揭示了与热释放密切相关的自由基转化过程和反应路径。通过结合更广泛的模型不确定性以及先进的神经算子替代品,这项工作大大扩展了现有燃烧UQ方法的范围。所提出的框架具有通用性,可以轻松应用于其他湍流燃烧配置。

1. 引言
燃烧模拟在先进能源和推进系统的设计中发挥着重要作用,因为它提供了关于火焰结构、污染物形成和系统性能的见解。然而,如[1]、[2]、[3]、[4]中所总结的,直接数值模拟(DNS)等高保真方法在实际配置中仍然成本过高,因此需要使用湍流和燃烧模型。由于实验测量误差和模型参数化的经验性质,这些模型中不可避免地存在不确定性,这些不确定性会通过模拟传播,最终导致模型预测与实验测量结果之间的差异。因此,准确量化这些不确定性对于可靠的模拟至关重要,这也是燃烧建模中的一个长期挑战。
在燃烧研究中,不确定性量化(UQ)已被广泛用于研究化学动力学模型中的参数不确定性,如[5]、[6]中所回顾的。Frenklach及其同事通过解映射[7]和数据协作方法[8]开发了早期的基于替代品的UQ框架。随后,多项式混沌展开(PCE)[9]、[10]和高维模型表示(HDMR)[11]、[12]、[13]等替代建模技术使得在越来越高的不确定性空间中进行高效UQ成为可能。这些方法进一步扩展到量化阿伦尼乌斯参数的不确定性及其对点火和火焰动态的影响[14]、[15]、[16],通过速率规则公式[17]、[18]、[19]在类似反应之间传播相关不确定性,并解决更复杂的燃烧现象,包括湍流火焰[20]和烟尘形成[21]。
随着燃烧动力学模型的规模和复杂性的不断增加,UQ变得越来越难以处理,因为替代品的构建仍然需要在高维不确定性空间中获取大量样本。为了解决这一挑战,已经开发了降维技术,其中Constantine等人提出的活跃子空间(AS)方法[22]因能够识别捕获模型输出主导变异性的低维流形而受到广泛关注。AS方法已被用于识别控制点火延迟时间的动力学参数[23],并量化Cabra H2/N2火焰中火焰升程高度对动力学不确定性的敏感性[24]。最近,基于AS的UQ已扩展到机理简化[25]、烟尘形成建模[26]和烟尘动力学模型优化[27],展示了AS方法处理复杂燃烧化学不确定性的多功能性。
与降维技术并行,神经网络算法的快速发展引入了越来越高效和准确的燃烧UQ替代模型,如[28]、[29]、[30]中所回顾的。早期研究将人工神经网络(ANN)纳入动力学模型UQ框架,例如ANN-HDMR[31]和ANN辅助的逆UQ[32],在保持估计准确性的同时大幅降低了计算成本。神经网络还被用于加速湍流燃烧模拟,包括替代刚性化学积分[33]、[34]和近似未封闭量[35]、[36]。最近的努力将UQ扩展到参数优化和实验设计,包括通过神经响应表面辅助的贝叶斯校准[37]、[38]、使用神经ODE公式进行敏感性分析[39],以及通过贝叶斯化学反应神经网络进行动力学UQ[40]。这些发展突显了神经网络替代品作为燃烧UQ强大工具的作用。
随着化学动力学建模中UQ的进步,研究工作也扩展到了湍流燃烧领域,其中UQ需要通过RANS或大涡模拟(LES)进行采样,导致计算成本大幅增加。此外,不确定性空间通常涉及数百个动力学和湍流模型参数,这大大增加了所需样本的数量,进一步加剧了整体计算负担。为了解决这些挑战,最近的研究在两个互补的方向上取得了进展。
在物理方面,Mueller等人[20]通过火焰片段计算预先计算了化学动力学不确定性的影响,并在LES中仅传播了少数活跃量,显著减少了所需的LES模拟次数。基于反应-扩散流形(REDIM)[41]、[42]、[43]的相关工作通过结合χ和传输效应丰富了基于火焰片段的描述,并进一步允许分层扩展以包含额外的慢速化学反应。Ji等人[24]使用零维自燃过程来表示湍流火焰行为,并随后证明了在层流预混对流火焰中存在一个通用的化学动力学敏感性方向[44]。
在算法方面,Wang等人[45]开发了一个基于AS方法的连续降维(SDR)框架,该框架使用低成本的一维替代品压缩动力学不确定性,然后在涉及化学动力学和湍流参数的RANS级别进行UQ。该框架进一步应用于超音速壁射流火焰的UQ[46],并扩展到Spray-A火焰模拟中烟尘模型和湍流模型的联合不确定性量化[47]。最近,Koenig等人[48]引入了一种基于神经网络的AS方法来识别详细反应机制中的低维化学动力学方向,通过神经替代品实现准确的梯度评估。他们进一步将这种方法扩展到湍流燃烧[49],通过将神经网络火焰片段替代品与FGM方法结合,根据[20]的原则将化学动力学不确定性传播到RANS模拟中。
尽管在湍流燃烧UQ方面取得了进展,但仍存在几个挑战。目前基于AS和SDR框架[45]、[46]的方法依赖于简化的火焰替代品和梯度计算的线性近似,这在具有更复杂配置和模型预测的燃烧UQ中可能难以应用。此外,[45]、[46]中的分析仅限于包含21个反应的H2/O2机理。将这种方法扩展到包含数百个反应的碳氢化合物机理将大幅增加采样的计算负载。Koenig等人[49]在神经网络的帮助下使用了更复杂的碳氢化合物机理。然而,尚未进一步分析反应不确定性如何随χ和混合分数(f)跨越的火焰片段状态空间变化。此外,[49]中报告的不确定性参数是动力学参数,而联合动力学和湍流燃烧模型的不确定性仍未探索。因此,需要开发一个物理上合理、计算效率高且能够处理化学动力学和湍流燃烧模型不确定性组合的优化UQ框架。
在这项工作中,我们通过结合基于物理的FGM公式和利用神经网络替代品来加速AS提取,扩展了SDR框架。所提出的框架在湍流非预混火焰的RANS模拟中得到了验证。此外,其在涉及化学动力学和湍流燃烧模型参数的高维不确定性空间中的能力得到了评估,能够识别控制主导湍流火焰模型响应的固有低维不确定性流形。值得注意的是,该框架以分层方式处理化学动力学不确定性。首先在火焰片段级别分析高维化学动力学不确定性,只有得到的低维方向被传播到RANS级别的不确定性分析中。

2. 方法
在本节中,将介绍所提出的UQ框架,并在图1中概述。所提出的框架采用两阶段AS策略,以实现高维不确定性空间下的湍流燃烧建模的高效UQ。在第一阶段,在火焰片段级别分析化学动力学不确定性,使用低成本的一维层流火焰模拟提取少量捕获大部分动力学不确定性的主导动力学方向。在第二阶段,将这些简化的动力学方向与湍流燃烧模型参数结合,在显著减少的不确定性空间内进行RANS级别的UQ。
与需要在RANS级别对所有不确定参数进行穷尽采样的传统UQ方法相比,两阶段框架通过识别低维不确定性流形显著降低了计算成本。该框架基于FGM方法,确保了火焰片段级别和RANS级别分析之间的一致性,无需额外的模型简化。为了实现AS分析所需的快速准确梯度评估,在两个阶段都使用了FNO替代品,提供了快速的自动微分。AS方法和神经网络替代品的详细信息分别在第2.2节(不确定性分析)和第2.3节(替代品建模)中介绍。

下载:下载高分辨率图像(651KB)
下载:下载全尺寸图像
图1. 本工作中提出的两阶段UQ框架概述。

2.1. 基线模拟
本研究选择Sandia/ETH CO/H2/N2湍流非预混喷流火焰作为基线配置。实验设置和操作条件见[50]、[51]、[52]。火焰由40% CO、30% H2和30% N2组成的中心高速燃料喷射组成,周围是低速空气共流。图2显示了对应于Sandia/ETH喷流火焰的计算域、数值网格和边界条件的示意图。
为了平衡物理保真度和计算效率,假设路易斯数为1,在二维轴对称网格上进行了模拟。湍流使用可实现k–??模型[53]进行建模,化学动力学使用详细的FFCM-1机理[54]进行建模。湍流-化学相互作用使用FGM方法处理,其中在混合分数空间预先计算了稳定的层流火焰片段,其中通用热化学量ψ满足(1)12ρχd2ψdf2+Ωψ=0。其中Ωψ是源项。混合分数f用于描述在路易斯数为1的假设下燃料和氧化剂之间的局部混合状态,定义为(2)f=β?βoxβfuel?βox。
标量耗散率χ量化了小尺度上的分子混合速率,定义为χ=2D|?f|2,其中D表示分子扩散率。为了将火焰片段与湍流耦合,通过β-PDF公式获得Favre平均量(3)ψ?=∫01ψ(f,χ)Pf;f?,f″2?df。
在模拟过程中,所需的ψ和化学源项通过表格查找进行评估(4)ψ?=Tf?,f″2?,χ,这显著降低了计算成本。

下载:下载高分辨率图像(387KB)
下载:下载全尺寸图像
图2. 对应于Sandia/ETH喷流火焰的计算域和数值网格的示意图。
本工作中的火焰片段计算和RANS模拟使用LibOpenSMOKE程序[55]、[56]进行。具体来说,使用SteadyStateFlamelet模块生成火焰片段数据库,而OpenFOAM[57]中部署的flameletSimpleFoam求解器用于RANS模拟。

2.2. 不确定性分析
本研究对化学动力学和湍流燃烧模型参数进行了联合UQ,共得到273个不确定输入。化学动力学不确定性空间包括266个参数xi,这些参数对应于FFCM-1机理中阿伦尼乌斯预指数因子的扰动,直接影响化学源项。湍流燃烧不确定性空间包括七个参数,包括来自可实现k–??模型的Cμ、C1和C2,它们控制涡流粘度和耗散(5)?μt=ρCμk2?,(6)??(ρk)?t+??(ρu?k)=??μ+μtσk?k+Pk?ρ?,(7)???????(ρ?)?t+??(ρu??)=??μ+μtσ???+ρC1?kPk?ρC2?2k。
扩散率参数σt控制湍流标量传输,混合分数方差系数Cg和Cd调节f″2的产生和耗散(8)?(ρf?)?t+??(ρu?f?)=??ρD+μtσt?f?,(9)?(ρf′′2?)?t+??(ρu?f′′2?)=??ρD+μtσt?f′′2??+Cg2μtσt|?f?|2?ρCd?kf′′2?。
系数Cx在火焰片段制表过程中重新调整了方程(4)中使用的χ。

2.3. 替代品建模
所有模型参数的先验不确定性通过其允许的变化范围和假设的概率分布来表征。变化范围定义了参数与其名义值可能偏离的程度,而概率分布则指定了该范围内每个值出现的可能性。对于化学动力学参数,不确定性因子(UF)定义为 (10) UF = kmax / (k0 * kmin),其中 k0 表示阿伦尼乌斯前指数因子的名义值,kmin 和 kmax 分别代表其下限和上限。UF 值是根据实验评估得出的,并在 [54] 中进行了汇编,详细信息在补充材料中提供。相应的先验分布假设遵循对数正态分布。对于模型参数,名义值取自经过验证的基线模拟。它们的允许范围限制在名义值的 ±10% 以内,以确保 RANS 模拟的数值稳定性。进行了敏感性测试,以评估不确定性量化结果对所选参数范围的依赖性,详细信息在补充材料中提供。在没有详细的统计信息的情况下,在允许范围内采用均匀分布来表示认知不确定性,这与最大熵的指导原则一致 [58]。除非另有说明,所有不确定性参数都假设为统计独立的。所有不确定参数的先验范围和概率分布总结在表 1 中。

表 1. 模型参数的不确定性。

当模型参数的数量较多时,由于过度的采样要求,全局敏感性分析在计算上变得不可行。AS 方法通过识别参数空间中控制模型输出变化性的少量方向,提供了一种有效的降维技术。设 f(x) 表示感兴趣的量化模型响应(QoI),其中 x∈Rm 表示输入参数向量。AS 方法通过协方差矩阵来表征参数不确定性,该矩阵捕捉了 QoI 对参数空间不同方向扰动的敏感性,(11) C = 1/N ∑i=1N ?xf(xi)?xf(xi)T,其中 ?xf(xi)∈Rm 表示在样本 xi 处评估的 QoI 对输入参数的梯度。这里,{xi}i=1N 表示从不确定性空间中抽取的一组 N 个样本,用于通过蒙特卡洛平均法近似梯度协方差矩阵。协方差矩阵 C∈Rm×m 衡量不同参数方向的扰动对 QoI 整体变异性的贡献。对 C 进行特征值分解,(12) C = WΛWT,W,Λ∈Rm×m,得到一组正交特征向量 wi 和相应的特征值 λi。特征值 λi 按降序排列,量化每个参数方向对 QoI 方差的贡献,这作为不确定性的度量。通过选择捕获 QoI 总方差预定比例 τ 的最小数量的主特征值来确定活动子空间的维度 n,(13) ∑i=1n λi ≥ τ,其中 m 表示不确定参数的总数。得到的活动子空间由前 n 个特征向量构成,(14) S=[w1,…,wn],S∈Rm×n,原始输入向量被投影到 S 上,即 xr = STx∈Rn。投影保留了参数空间中扰动引起 QoI 最大变异性的方向,而其余方向的影响相对较小。在活动子空间内,模型输出可以近似为 (15) f(x)≈g(xr),从而能够在低维参数不确定性空间中高效地进行 UQ。

两阶段活动子空间框架
直接在 RANS 级别应用 AS 方法仍然需要大量模拟来评估高维不确定性空间中的梯度,导致计算成本过高。为了克服这一限制,我们采用了最初在 [32] 中提出的两阶段 AS 框架,并在 [20]、[48]、[49] 中进一步增强了基于火焰片的不确定性传播策略。
第一阶段:火焰片级别。化学动力学的不确定性由向量 ξ∈Rmk 表示,其中 mk 表示动力学不确定性空间的维度。通过对 ξ 进行扰动来进行火焰片模拟,以评估 AS 分析所需的梯度。对于每个火焰片解,QoI 是在离散化 (χ,f) 网格上的温度剖面。选择温度作为 QoI 是因为它强烈反映了火焰片空间中的反应进展,因此作为后续分析的稳健标量指标。此外,与中间物种相比,温度的空间变化相对平滑,从而获得条件良好且稳健的梯度估计,这是基于梯度的 AS 提取的重要要求。得到的梯度被组装成一个协方差矩阵,从中根据公式 (11)–(15) 提取动力学不确定性子空间。这产生了一个活动基矩阵 R∈Rmk×nk,其列是化学动力学参数空间中的主要特征向量,(16) R=[R1,R2,…,Rnk],其中 nk?mk,代表对输出不确定性贡献最大的动力学方向组合。
第二阶段:RANS 级别。将减少的动力学不确定性方向 {Ri} 与湍流燃烧模型参数 ψ(Cμ,C1,C2,σt,Cg,Cd,Cx)∈Rmp 结合,形成一个联合不确定性向量 θ,即 [R1,…,Rnk,ψ1,…,ψmp]T∈Rnk+mp。然后对 θ 进行扰动,并通过 RANS 模拟进行采样。对于每个 RANS 解,QoI 是在计算网格 (x,z) 上定义的温度场,这提供了对湍流燃烧模型不确定性的关键度量。评估 QoI 对 θ 的梯度并组装成一个协方差矩阵,从中提取主要不确定性方向 (17) Wθ=[wθ,1,…,wθ,ntot]∈R(nk+mp),其中 ntot?nk+mp,表示联合不确定性空间的低维内在流形。
两阶段 AS 框架在第一阶段以较低的计算成本显著减少了化学动力学不确定性空间,并在第二阶段实现了化学动力学和湍流燃烧模型的联合 UQ。这种策略将一个难以处理的高维 UQ 问题转化为一个低维的、物理上可解释的、计算效率高的公式,适用于湍流燃烧模拟。

2.3. 代理建模
神经网络代理被用来近似从不确定输入到 QoI 的映射,并实现 AS 提取所需的准确和高效的梯度评估。值得注意的是,只有傅里叶神经算子(FNO)表现最佳,其细节将被详细介绍,而其他代理也被利用并与 FNO 进行了比较,详细信息在补充材料中提供。

傅里叶神经算子
FNO 是一种设计用于近似非线性映射的算子学习模型。在本工作中,FNO 被用来学习形式为 (18) G: a(x)?u(x) 的映射,其中 a(x) 表示不确定性输入,u(x) 表示 QoI。与在固定维向量上操作的经典神经网络不同,FNO 从输入场学习一个不变维度的映射到输出场。实际上,输入场首先被提升到一个潜在表示,然后通过重复应用 FNO 层进行更新,最后投影回输出空间。
每个 FNO 层的关键组成部分是光谱卷积,它在傅里叶空间执行全局特征混合。给定第 ? 层的潜在表示 v?(x),光谱卷积定义为 (19) K(v?)(x) = F?1∑|k|≤Kv??(k)W?(k),其中 F 和 F?1 分别表示傅里叶变换和逆傅里叶变换,v??(k) 是 v? 的傅里叶系数,W?(k) 是可学习的复数值权重矩阵,只保留有限数量的低频模式 K。这种操作有效地捕获了长距离相关性,同时通过截断的傅里叶模式控制模型复杂性。
每个 FNO 层结合了全局光谱混合、物理空间中的逐点线性变换和非线性,得到 (20) v?+1(x) = σK(v?)(x) + W?locv?(x),其中 W?loc 表示可学习的逐点权重矩阵,σ(?) 是非线性激活函数。堆叠多个这样的层会产生一个能够近似复杂非线性映射的深度神经算子。

火焰片级别的代理
数据结构。每个火焰片样本包括沿 f 坐标定义的离散化温度和物种质量分数剖面。所有标量变量都使用平均值和标准差进行归一化。数据集被分为训练、验证和测试三个子集,比例为 70%/15%/15%。
模型架构。采用一维 FNO(FNO1D)来近似非线性算子 (21) G: (ξ;f,χ)?y(ξ;f,χ),其中 ξ 表示动力学不确定性参数向量,y 表示相应的热化学量。火焰片剖面被视为一个一维场,FNO1D 包含四个堆叠的光谱卷积层。在每一层中,潜在表示被转换到傅里叶空间,保留固定数量的低频模式,并使用可学习的复数值权重进行更新。然后通过逆傅里叶变换将修改后的谱映射回物理空间。同时,在物理空间应用逐点线性变换以提供局部通道混合。光谱和逐点算子的输出结合并通过 GELU 激活函数传递。这种架构有效地捕获了沿 f 坐标的长时间耦合,同时保留了火焰片剖面中的局部结构。最后的逐点全连接投影将潜在表示映射到热化学输出通道。
训练过程。FNO1D 被训练以最小化预测火焰片剖面与参考火焰片剖面之间的差异。主要损失函数是在所有网格点和输出通道上平均的均方误差(MSE)。为了促进物理一致性,引入了一个惩罚项,以阻止总物种质量分数偏离单位。损失函数定义为 (22) L = ‖Yipred?Yiref‖22 + α‖1?∑cY?i,:,cpred‖22,其中 Y? 表示物种质量分数的归一化预测值,c 索引化学物种,α 是惩罚系数。网络使用 Adam 优化器进行训练,学习率为 10?3,训练周期为 200 次。

RANS 级别的代理
数据结构。每个 RANS 样本提供了在二维计算网格 (x,z) 上定义的热化学场,大小为 H×W。减少的动力学方向被归一化,而其余参数和空间坐标 (x,z) 也被缩放到 [?1,1]。引入了一个二进制掩码作为辅助输入通道,其中值 1 表示计算域内的有效单元,0 表示无效单元。数据集被分为训练、验证和测试三个子集,比例为 70%/15%/15%。
模型架构。二维 FNO(FNO2D)学习映射 (23) (θ;x,z)?y(θ;x,z),其中 θ 包括减少的动力学不确定性方向和湍流燃烧模型参数,y 表示热化学场。与 FNO1D 不同,每个卷积块中应用了二维傅里叶变换,频率在 x 和 z 方向上更新。使用不同的逐点输出头来预测温度和物种场,这提高了训练稳定性,因为它们的幅度不同。
训练过程。所有损失和评估指标都限制在有效流体单元上,使用二进制掩码。为了确保物理有效性,在输出头上应用 Softplus 激活函数以强制温度和质量分数非负。损失函数定义为 (24) L = λTLT + λSLS,其中 (λT,λS) 分别是温度和物种质量分数的场 MSE。FNO2D 使用与 FNO1D 相同的学习率和周期使用 Adam 优化器进行训练。

导数的一致性验证
由于 AS 方法依赖于 QoI 对不确定参数的梯度,因此验证神经算子代理是否准确再现导数是至关重要的。因此,对 FNO1D 和 FNO2D 进行了方向导数一致性验证。对于参数空间中选定的基点 x0 和归一化的扰动方向 v,使用中心有限差分计算参考方向导数,(25) Dvfref(x0) ≈ fref(x0+?v)?fref(x0??v) / 2?。神经代理模型的方向导数通过自动微分获得,(26) DvfFNO(x0) = ?fFNO(x0)?v。使用参考和代理梯度之间的余弦相似度来量化导数一致性,(27) cosine(x0) = Dvfref(x0)?DvfFNO(x0) / Dvfref(x0)。其值范围从 ?1 到 1,接近 1 的值表示强梯度对齐。这种验证确保代理不仅捕获了 QoI 响应表面,还捕获了 AS 提取所需的梯度结构。

3. 结果和讨论
3.1. 仿真验证
首先对基线 RANS 仿真进行标准验证,包括时间步长收敛性、网格独立性和与实验测量的比较。图 3(a) 显示了粗网格、基础网格和细网格的中心线温度 RMSE 的收敛历史,分别包含 10,200, 20,400 和 40,800 个计算单元。计算成本相应增加。详细的网格参数,包括径向和轴向的最小网格间距以及使用的拉伸参数,在补充材料中进行了总结。
在所有情况下,RMSE 快速减小,并在大约 1400, 3600 和 5600 次迭代后分别达到稳定平台,分别对应于粗网格、基础网格和细网格,表明达到了稳态收敛。
下载:下载高分辨率图像 (296KB)
下载:下载全尺寸图像
图 3.基线模拟的验证。(a) 时间步长独立性。(b) 网格独立性。(c) 基线网格模拟与实验测量结果之间的中心线温度剖面比较。使用收敛的解,在图3(b)中通过比较轴向的中心线温度剖面来评估网格独立性。基线网格比粗网格有显著改进,而基线网格与细网格之间的差异可以忽略不计。这表明基线网格在计算成本上显著低于细网格的情况下获得了网格独立的结果。图3(c)进一步将基线网格上获得的中心线温度剖面与实验测量结果进行了比较。模拟温度在整个轴向范围内都保持在实验不确定性范围内,显示出与测量结果的一致性。这些结果确认所选的数值配置为后续的不确定性量化(UQ)分析提供了数值上收敛且实验上一致的基础。

3.2. 火焰片级替代模型
评估火焰片级替代模型是否能够准确再现火焰片剖面。如图4所示,训练损失和验证损失在早期阶段迅速下降,并随着训练的进行而逐渐稳定。验证损失在整个训练过程中紧密跟随训练损失,表明没有严重的过拟合现象。图5还比较了FNO预测的代表性火焰片剖面与相应的模拟解,覆盖了广泛的χ范围。

3.3. 火焰片级不确定性量化
火焰片级不确定性量化分析表明,主要不确定性可以通过少数几个方向来捕获,从而实现有效的维度降低。此外,该分析还提供了关于不确定性如何在火焰片状态空间中分布的详细信息。图6显示了累积解释方差(CEV)作为活跃子空间维度k的函数。CEV量化了由前k个方向捕获的总输出不确定性的比例,并作为根据方程(13)选择降维的标准。对于前几个方向,CEV急剧增加,然后逐渐饱和,表明大部分不确定性由少数几个方向捕获。使用τ=0.95的阈值,四个活跃方向就足以捕获主要的火焰片级不确定性,而更高阶的方向贡献较小。

3.4. RANS级替代模型
评估了RANS级替代模型的性能,以确定它们是否能够提供AS提取所需的准确和稳定的梯度。如图10所示,训练损失在初始阶段迅速下降,然后逐渐趋于平稳,而验证损失也遵循相同的趋势,没有明显的发散。图11进一步比较了FNO替代模型预测的空间分布与测试样本中相应的RANS解。FNO准确再现了温度和物种质量分数剖面,包括反应区域内的尖锐梯度和多种物种之间的相对幅度差异。这些结果表明,FNO替代模型保留了RANS解的基本物理特征,并为后续的RANS级UQ分析提供了可靠的信息。

3.5. RANS级不确定性量化
AS方法应用于联合化学-动力学和湍流燃烧参数空间,以提取RANS级QoI的低维主导不确定性方向集。图12显示,仅第一个活跃方向就占了CEV的95%以上。此外,前两个方向共同超过了阈值τ=0.95,而前三个方向几乎饱和了方差。这表明,尽管不确定性参数空间是11维的,但从模型参数到QoI的映射实际上是低维的。图13显示了RANS级活跃子空间的相应全局活动分数,进一步揭示了哪些模型参数主导了RANS级活跃子空间。这三个最大的活动分数与湍流模型系数C2、C1和Cμ相关,其次是湍流扩散参数σt,而Cd、Cg、Cx和动力学方向R1–R4的贡献较小。这种排名与图14中的总结图一致,该图可视化了投影到主要活跃方向上的温度响应。沿着主要活跃方向w1,投影数据在中心线和径向位置都呈现出狭窄的带状分布,并显示出明确的单调趋势,表明大部分RANS级不确定性可以通过湍流参数的单一主导线性组合来捕获。相比之下,投影到第二个方向w2上的数据显示出更广泛的散布且没有连贯的趋势,证实了更高阶方向主要编码了残余不确定性。这些投影表明,当前湍流非预混火焰建模的RANS级参数不确定性实际上是单向的,并且主要由湍流和混合模型系数主导。AS的结果表明,RANS级别的温度响应实际上是低维的,其中主导的活跃方向占据了输出方差的大部分。活动得分和总结预测一致指出,在RANS级别上,不确定性的主要来源主要由湍流和标量传输闭合过程控制,尤其是可实现的k–??模型系数;而在当前基于FGM的详细化学表示方法下,次要的动力学方向仅起到次要作用。这些发现突显了一个系统性变化:当化学过程通过火焰面替代方法被有效嵌入时,主导的不确定性来源从化学动力学转移到了湍流和混合闭合过程。由于其模块化且基于物理原理的设计,所提出的框架可以很容易地应用于其他湍流燃烧配置(包括RANS和LES),并且只需进行少量调整即可与基于FGM的燃烧模型集成。未来的工作将把该框架扩展到更广泛的操作条件和更多的不确定性来源。将进一步开展利用此处识别出的少数主导活跃方向的模型校准研究,以实现模型优化,并开发逆向不确定性量化(UQ)问题的新方法。

**作者贡献声明:**
- 张成奇(Chengqi Zhang):撰写初稿、可视化处理、验证、软件开发、方法论设计、数据分析、形式化分析、数据整理。
- 杨斌(Bin Yang):撰写修订稿、监督工作、资源协调、项目管理、方法论设计、资金筹措、形式化分析、概念构思。
- 罗凯宏(Kai Hong Luo):撰写修订稿、监督工作、资源协调、项目管理、方法论设计、资金筹措、形式化分析、概念构思。
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