Суррогатные модели кинетики горения водорода на основе глубокого обучения
- Авторы: Акевейе И.1, Вановский В.В.1, Вишняков А.М.1
-
Учреждения:
- Сколковский Институт Науки и Технологий
- Выпуск: Том 57, № 2 (2023)
- Страницы: 209-217
- Раздел: Статьи
- Дата публикации: 01.03.2023
- URL: https://journals.rcsi.science/0040-3571/article/view/138448
- DOI: https://doi.org/10.31857/S004035712302001X
- EDN: https://elibrary.ru/EHTFPC
- ID: 138448
Цитировать
Аннотация
Мы представляем основанную на данных суррогатную модель химической кинетики окисления водорода воздухом с использованием рекуррентных нейронных сетей и нейронных сетей с прямой связью. Потенциальным применением работы является использование машинного обучения в решении уравнений аэрогидродинамики, что необходимо в разработке и оптимизации современных химических технологий. Анализируется чувствительность результатов к размеру набора данных и параметрам сети. Показано что нейронные сети значительно превосходят по скорости расчета прямое численное решение кинетических уравнений, в зависимости от постановки задачи и числа начальных условий, для которых одновременно предсказываются результаты. Для семикомпонентного реакционного механизма в адиабатической системе, обученная на выборке из одного миллиона начальных условий модель позволила предсказать зависимости концентраций и температуры от времени на интервале в 20 микросекунд со среднеквадратичным отклонением, не превышающим 2%. Однако были выявлены и точки с большими отклонениями, достигающими 10%, прежде всего для компонентов, концентрации которых малы. Результаты работы продемонстрировали значительный потенциал методов машинного обучения для моделирования химических превращений в решателях вычислительной аэрогидродинамики. Ресурсами увеличения точности являются: (а) раздельное моделирование краткосрочной и долгосрочной динамики; (б) повторная оптимизация параметров сети даже при незначительных модификациях реакционного механизма; (в) разработка более универсальных подходов для соблюдения законов сохранения; (г) применение физически информированного машинного обучения.
Ключевые слова
Об авторах
И. Акевейе
Сколковский Институт Науки и Технологий
Email: easygear3428@gmail.com
Россия, Москва
В. В. Вановский
Сколковский Институт Науки и Технологий
Email: easygear3428@gmail.com
Россия, Москва
А. М. Вишняков
Сколковский Институт Науки и Технологий
Автор, ответственный за переписку.
Email: easygear3428@gmail.com
Россия, Москва
Список литературы
- Komp E., Janulaitis N., Valleau S. Progress towards machine learning reaction rate constants // Phys. Chem. Chem. Phys. 2022. V. 24. № 5. P. 2692.
- Grambow C.A., Pattanaik L., Green W.H. Deep Learning of Activation Energies // J. Phys. Chem. Lett. 2020. V. 11 № 8. P. 2992.
- Wan K., Barnaud C., Vervisch L.,Domingo P. Chemistry reduction using machine learning trained from non-premixed micro-mixing modeling: Application to DNS of a syngas turbulent oxy-flame with side-wall effects // Combustion and Flame. 2020. V. 220. № . P. 119.
- Lim H., Jung Y.J. MLSolvA: solvation free energy prediction from pairwise atomistic interactions by machine learning // J. Cheminformatics. 2021. V. 13. № 1. P. 56.
- Nakajima M., Nemoto T. Machine learning enabling prediction of the bond dissociation enthalpy of hypervalent iodine from SMILES // Sci. Rep. 2021. V. 11 № 1. P. 20207.
- Buchheita K., Owoyelea O., Jordana T., van Essendelft D.T., STEV: A Stabilized Explicit Variable-Load Solver with Machine Learning Acceleration for the Rapid Solution of Stiff Chemical Kinetics. 2019: arxiv. 1905/1905.09395
- Cerri G., Michelassi V., Monacchia S., Pica S. Kinetic combustion neural modelling integrated into computational fluid dynamics // Proc. Inst. Mech. Eng., Part A: J. Power & Energy. 2003. V. 217 № 2. P. 185.
- Keller A.C., Evans J.M. Application of random forest regression to the calculation of gas-phase chemistry within the GEOS-Chem chemistry model v10. Geoscientific Model Development // Geoscientific Model Development. 2019. V. 12 № 3. P. 1209-1225.
- Owoyele O., Pal P. ChemNODE: A neural ordinary differential equations framework for efficient chemical kinetic solvers // Energy and AI. 2022. V. 7 P. 100118
- Sen B.A., Menon S. Linear eddy mixing based tabulation and artificial neural networks for large eddy simulations of turbulent flames // Combustion and Flame. 2010. V. 157. № 1. P. 62.
- Blasco J.A., Fueyo N., Dopazo C.,Ballester J. Modelling the temporal evolution of a reduced combustion chemical system with an artificial neural network // Combustion and Flame. 1998. V. 113. № 1–2. P. 38.
- Blasco J.A., Fueyo N., Larroya J.C., Dopazo C., Chen Y.J. A single-step time-integrator of a methane-air chemical system using artificial neural networks // Comput and Chem. Eng. 1999. V. 23. № 9. P. 1127.
- Chen J.Y., Blasco J.A., Fueyo N., Dopazo C. An economical strategy for storage of chemical kinetics: Fitting in situ adaptive tabulation with artificial neural networks // Proceed Combust. Inst. 2000. V. 28 № 1. P. 115.
- Culpo M. Current Bottlenecks in the Scalability of OpenFOAM on Massively Parallel Clusters. 2021 10.31.2022]; Available from: https://prace-ri.eu/wp-content/uploads/Current_Bottlenecks_in_the_Scalability_of_OpenFOAM_on_Massively_Parallel_Clusters.pdf.
- An J., He G., Luo K., Qin F., Liu B. Artificial neural network based chemical mechanisms for computationally efficient modeling of hydrogen/carbon monoxide/kerosene combustion // International J. Hydrogen Energy. 2020. V. 45 № 53. P. 29594.
- Sharma A.J., Johnson R.F., Moses A.D., Kessler D.A. Deep learning for scalable chemical kinetics. in AIAA Scitech 2020 Forum. 2020. Orlando.
- Li J., Zhao Z., Kazakov A., Dryer F.L. An updated comprehensive kinetic model of hydrogen combustion // Int. J. Chem. Kinetics. 2004. V. 36. № 10. P. 566.
- Matveev V.G. A Simplified hydrogen combustion mechanism // Combustion, Explosion, and Shock Waves// 2001 V. 37 P. 3 [Матвеев В.Г. Упрощение механизма горения водорода // Физика горения и взрыва. 2001. V. 37 №. P. 3.]
- Гурвич Л.И. // Термодинамические свойства индивидуальных веществ Т. 4. 1978–1982, Москва: Наука.
- Hastie T., Tibshirani R., Friedman J.H. Boosting and Additive Trees, in The Elements of Statistical Learning. 2009. Springer: New York. p. 337–384.
- Williams R.J., Hinton G.E., Rumelhart D.E. Learning representations by back-propagating errors // Nature. 1986. V. 323 №. P. 533.
- Kingma D.P., Ba L.J. Adam: A Method for Stochastic Optimization EventInternational Conference on Learning Representations, in International Conference on Learning Representations. 2015. ICLR San Diego.
- Zell A. // Simulation Neuronaler Netze. 1994. Addison-Wesley.