面向林业爆燃相对火焰传播筛选的跨变组分生物质热解气体燃烧物理引导神经算子代理模型

《Process Safety and Environmental Protection》：Physics-guided neural operator surrogate model of biomass pyrolysis gas combustion across variable compositions for relative flame-propagation screening in forestry deflagration

　　

•建立了一个 OpenFOAM 仿真模型，用于模拟半受限环境中生物质热解气积聚驱动的森林爆燃，并与现有实验进行了验证。
•提出了一种物理引导的傅里叶神经算子，用于重建燃烧场，同时保持火焰前锋形态并实现无需重复 CFD 仿真即可提取火焰速度。
•仿真和模型结果揭示了生物质热解气组成与森林爆燃火焰前锋速度之间存在强烈的非线性关系。
•引入了爆燃相对火焰传播指数 (DRFI) 作为一个无量纲工程指数，用于快速比较和筛选生物质衍生可燃气体中成分相关的火焰传播行为。

引言
气候变化增加了野火的频率和严重程度，导致更频繁、更剧烈的极端火行为，威胁着生态系统和消防员安全 (Kumar et al., 2024, Madakumbura et al., 2025)。在这些现象中，森林爆燃的特征是植被热解过程中释放的可燃气体被点燃后火焰迅速传播 (Shu et al., 2004, Darwish Ahmad et al., 2023, Chatelon et al., 2014, Viegas and Simeoni, 2011)。一种广泛接受的机制将此行为归因于半受限环境中生物质衍生可燃气体的积聚，在那里点火可触发快速燃烧 (Chatelon et al., 2014, Viegas and Simeoni, 2011)。因此，了解这些气体如何燃烧对于解释森林爆燃和改进野火风险评估至关重要。

与成分固定的常规预混燃料不同，植被热解气表现出显著的组成变化，因为其化学组成取决于生物质种类和热解条件 (Collard and Blin, 2014, Dufour et al., 2009)。实验测量一致表明，CO、CH4、H2 和 CO2 在由生物质种类和热解条件决定的特征浓度范围内变化 (Weise et al., 2026, Amini et al., 2019, Dufour et al., 2009)。由于燃烧特性强烈依赖于燃料成分，应在从植被热解气得出的所研究 CO/CH4/H2 组成范围内评估燃烧行为。

尽管植被热解气与工业合成气不同，但这两个系统都具有主要可燃组分 H2、CO 和 CH4。因此，合成气燃烧为生物质衍生气体燃烧提供了有价值的见解。以前的研究表明，燃料成分强烈影响火焰速度、火焰形态、燃烧强度和压力演变。例如，增加 H2 通常会加速火焰传播，而增加 CH4 或惰性稀释则会抑制燃烧 (Hu et al., 2020)。同样，甲烷掺混比、当量比和受限几何形状会显著改变半受限燃烧系统中的火焰传播 (Liu et al., 2024, Feng et al., 2023)。这些研究一致表明，燃烧动力学具有高度的成分依赖性。然而，它们大多针对有限数量的预定义燃料成分进行，针对所研究的植被热解气组成范围的系统性分析仍未得到充分探索。

由于 CFD 能准确解析火焰传播、压力演变和燃烧结构，它已成为研究瞬态燃烧的主要数值工具 (Henriksen et al., 2021, Abg Shamsuddin et al., 2023)。基于 OpenFOAM 的仿真成功再现了多组分 H2/CO/CH4 燃烧中的火焰演变，并与实验观察结果吻合良好 (Henriksen et al., 2021, Kiedrzyńska et al., 2020)。然而，这种准确性是以巨大的计算成本为代价的。每种新的燃料成分都需要独立的 CFD 仿真，这使得对所研究成分空间进行快速燃烧分析在计算上代价高昂。

深度学习代理模型最近已成为加速 CFD 仿真的有效替代方案 (Herrmann and Kollmannsberger, 2024)。数据驱动的代理模型、物理信息神经网络和神经算子在流动预测和燃烧建模方面展示了卓越的成功 (Ribeiro et al., 2021, Jiang et al., 2023, Song et al., 2024, Liu et al., 2023)。尽管如此，大多数现有方法是为固定几何形状、离散操作条件或有限参数变化设计的。当燃料成分在所研究的植被热解气范围内变化时，其预测能力往往会下降，因为燃烧演变依赖于成分、火焰传播和瞬态场演变之间的高度非线性相互作用。将这些模型扩展到其他成分条件通常需要额外的 CFD 仿真或昂贵的模型重新训练。

因此，核心挑战不仅仅是加速 CFD，而是构建一个网络，将所研究的植被热解气成分映射到瞬态燃烧演变。这需要一种代理模型，同时纳入异构物理输入，包括燃料成分、初始燃烧状态和时间，同时保持火焰前锋形态和尖锐的燃烧梯度。神经算子提供了一个有希望的基础，因为它们学习函数空间之间的映射，而不是有限维输入 - 输出对 (Li et al., 2021a, Li et al., 2020)。然而，它们在成分依赖型燃烧中的应用在很大程度上仍未被探索，现有的神经算子很少同时解决异构物理输入和物理一致的火焰前锋预测。

尽管基于深度学习的代理模型在加速 CFD 仿真方面显示出潜力，但现有研究主要关注固定操作条件或有限参数变化下的流动或燃烧场预测。DeepCFD 和物理信息神经网络展示了以较低计算成本重建 CFD 解和燃烧相关场的能力 (Ribeiro et al., 2021, Sitte and Doan, 2022, Deng et al., 2024)。物理信息代理模型也被应用于加速燃烧系统中的参数探索 (Liu et al., 2023)。然而，这些方法通常专注于单个场预测任务，并未明确解决不同燃料成分条件下的瞬态燃烧演变。

包括 FNO、DeepONet、PINO 和 MIONet 在内的神经算子为学习输入参数或函数与相应物理场之间的非线性映射提供了强大的方法 (Li et al., 2021a, Lu et al., 2021, Li et al., 2021b, Jin et al., 2022)。最近的扩展如 U-FNO 进一步提高了神经算子处理复杂物理系统的能力 (Wen et al., 2022)。尽管如此，针对不同生物质衍生燃料成分的瞬态燃烧参数条件神经算子学习仍未得到充分探索。特别是，构建一个将 CO/CH4/H2 成分条件映射到瞬态燃烧场演变的算子，同时保持尖锐的火焰前锋结构仍然具有挑战性，这是由于燃烧过程的强非线性响应。

为了弥补这一差距，本研究开发了一种物理引导的傅里叶增强 MIONet 框架，用于不同 CO/CH4/H2 成分的生物质衍生热解气瞬态燃烧场预测。具体来说，首先从实验测量的热解气成分建立等效成分域，并进行 OpenFOAM 仿真以生成瞬态燃烧场。然后提出了一种梯度正则化傅里叶增强多输入神经算子 (GR-Fourier-MIONet)，用于学习从燃料成分、初始温度场和时间到燃烧演变的非线性映射，同时保持火焰前锋形态。随后利用预测的燃烧场来量化成分依赖的火焰传播，并实现无需重复 CFD 仿真即可进行快速相对爆燃筛选。

本研究的主要贡献总结如下。
(1) 我们建立了一个覆盖从实验测量的生物质热解气得出的可变成分范围的 CFD 燃烧数据集。
(2) 我们开发了一种梯度正则化多输入神经算子，能够准确预测瞬态燃烧场同时保持火焰前锋形态。
(3) 我们通过与其他基准模型的比较展示了所提模型的效率和准确性，并证明了其在无需重复 CFD 仿真的情况下快速提取火焰前锋速度的能力。
(4) 我们制定了爆燃相对火焰传播指数 (DRFI)，该指数将模型推断的火焰前锋速度转换为无量纲工程指数，用于快速比较和筛选生物质衍生可燃气体混合物中成分依赖的火焰传播行为。(见表 1、表 2。)

符号说明章节片段
物理公式化
本研究调查的是森林爆燃的可燃气体积聚机制，而不是野火蔓延本身。物理问题被表述为半封闭域中生物质热解气的瞬态预混燃烧，其中火焰传播主要由燃料成分决定。在这种公式化下，燃烧演变由点火后预混火焰的瞬态传播来表示。
植被热解产生多组分气体
学习问题
本研究的目的是学习在所研究的燃料成分空间中控制瞬态燃烧演变的神经算子。对于每种 CO/CH4/H2 成分，燃烧过程由回归变量场从初始状态到目标时间的演变来表示。与预测单个条件的常规燃烧代理模型不同，所提出的算子同时表示不同燃料成分下的燃烧演变，使得
CFD 数据集
用于神经算子学习的 CFD 数据集是通过结合实验测量和合成采样的燃料成分构建的。这种混合采样策略保留了实验观测到的生物质热解气的物理真实性，同时提高了算子学习所需的所研究成分空间的覆盖率。在去除 CO2、质量分数重新归一化并转换为摩尔 (体积) 分数后，由结果与讨论章节报告的活体和大体植被样本
结果与讨论
本节评估了模型复杂度、回归变量场重建、时间稳定性、局部监测点响应以及成分依赖的火焰传播表征。首先根据模型大小、训练成本和预测准确性将 GR-Fourier-MIONet 与 WNO-MIONet、普通 MIONet 和 U-FNO 进行比较。然后利用代表性场快照、误差图和时间指标来评估火焰传播结构的重建。最后，b = 0.5
结论
本研究调查了可变 CO/CH4/H2 成分范围内生物质热解气的瞬态燃烧动力学，并开发了一种物理引导的神经算子框架，用于快速预测和分析燃烧演变。所提出的框架结合了 CFD 仿真和神经算子学习，以有效表征成分依赖的火焰传播，为森林爆燃中的快速火焰传播筛选提供了代理模型。
首先，OpenFOAM

CRediT 作者贡献声明
Jing Teng：撰写 – 初稿，可视化，验证，软件，方法论，调查，正式分析，数据整理，概念化。
Change Zheng：撰写 - 审阅与编辑，监督，资源，方法论，调查，资金获取。
Mingyu Wang：监督，资源。
Ye Tian：撰写 - 审阅与编辑，监督，方法论，资金获取。
Xiaodong Liu：监督，资源，资金获取。
Wenbin Cui：监督，资源。

伦理声明
已从所有参与者或其法定代理人处获得书面知情同意书，同意参与本研究并发表文章。尊重了参与者的隐私权。
本研究按照进行研究地点的相关法律、监管框架和指南进行。根据相关法律和机构指南，无需伦理委员会批准。无需

利益冲突声明
作者声明他们没有已知的竞争经济利益或个人关系，这些关系可能看起来会影响本报告中所述的工作。

致谢
本工作得到了中国国家重点研发计划项目 (Grant 2023YFC3006805) 的支持，作者对此表示衷心感谢。

Jing Teng|Change Zheng|Mingyu Wang|Ye Tian|Xiaodong Liu|Wenbin Cui