Veri güdümlü indirgenmiş alev bileşim modeli, ayrıntılı yanma kimyasında çok sayıda kimyasal türle tanımlanan yüksek boyutlu bileşim uzayını az sayıda bağımsız ilerleme değişkeniyle temsil etmeye çalışan bir modelleme yaklaşımıdır. Bu çalışmada fakir, ön karışımlı ve termodifüzyonel olarak içsel kararsızlık gösteren %50 NH₃ + %50 H₂/hava alevi için iki yöntem karşılaştırılmıştır: Singular Value Decomposition + Artificial Neural Network (SVD+ANN) ve Linear–Nonlinear Autoencoder (LNAE). Modeller üç ayrı veri kaynağında eğitilmiş ve eğitimde görülmeyen büyük ölçekli bir Direct Numerical Simulation (DNS) veri kümesi üzerinde sınanmıştır.

Kaynakta iki DNS bulunur. AH1s olarak adlandırılan daha küçük alanlı DNS'nin yanal genişliği 10λ_c, AH1sB'nin genişliği 30λ_c'dir; burada kesim dalga boyu λ_c = 2,63 mm'dir. Her iki DNS hacimce %50 NH₃ ve %50 H₂, eşdeğerlik oranı φ = 0,5, yanmamış karışım sıcaklığı T_u = 500 K ve atmosfer basıncı koşullarındadır. Ayrıntılı kimya mekanizması 25 kimyasal tür ve 110 reaksiyon içermektedir. Küçük ölçekli AH1s eğitim verisi olarak, daha geniş termokimyasal durum uzayını içeren AH1sB ise görülmemiş test veri kümesi olarak kullanılmıştır.

Üç eğitim veri kaynağı karşılaştırılmıştır: AH1s DNS; φ = 0,45–0,60 aralığında oluşturulmuş 30 gerilmemiş bir boyutlu flamelet; ve aynı eşdeğerlik oranı aralığında 30 gerilmemiş flamelet ile 450 gerilmiş karşı-akış flamelet'inin birleşimi. Modellerin rekonstrüksiyon başarısı özellikle üç temsilci kimyasal tür üzerinden tartışılmıştır: kirletici oluşumunu temsil eden NO, reaksiyona giren yakıt bileşenini temsil eden NH₃ ve yalnız dar reaksiyon bölgesinde yüksek değer alan ara tür NNH.

Ana sonuç, model mimarisi ve eğitim verisinin birlikte belirleyici olduğudur. Küçük DNS üzerinde eğitilen M-1 ve L-1 modelleri genel olarak en güçlü sonuçları vermiştir. Aynı AH1s eğitim verisi karşılaştırıldığında LNAE tabanlı L-1, SVD+ANN tabanlı M-1'e göre hedef türlerin bileşim uzayını daha az ilerleme değişkeniyle daha iyi yeniden oluşturabilmiştir. Yalnız gerilmemiş flamelet'ler NO ve NNH için yetersiz kalırken NH₃'ü iyi temsil edebilmiştir. Gerilmiş flamelet'ler LNAE ile birlikte kullanıldığında özellikle NO rekonstrüksiyonu belirgin biçimde iyileşmiştir.

Kaynak sonuçları “daha çok değişken her zaman daha iyi model” anlamına gelmemektedir. Hata değerleri genellikle birden üç ilerleme değişkenine geçerken azalmakta; birçok durumda üçüncü değişkenden sonra ek kazanım küçülmektedir. Bazı türlerde dört değişkenli modeller, gereğinden yüksek manifold boyutu nedeniyle daha düşük boyutlu karşılıklarından daha iyi sonuç vermemiştir.

Çalışmanın a-posteriori bölümü ön niteliktedir. A-priori analizde en güçlü modellerden biri olan, AH1s DNS üzerinde eğitilmiş iki latent değişkenli L-1 modeli tabulated chemistry çerçevesine aktarılmıştır. Bir boyutlu gerilmemiş alev testinde laminer alev hızında %3,6 hata raporlanmıştır. İki boyutlu doğrusal kararlılık analizinde model düşük dalga sayılarındaki referans büyüme oranlarını iyi yeniden üretmiş, yüksek dalga sayılarında ise alevi daha kararsız tahmin etmiştir. Bu nedenle çalışma tam ölçekli türbin, brülör veya gerçek endüstriyel NH₃/H₂ yanma sistemi doğrulaması değildir.

Amonyak/hidrojen alevlerinde problem nedir?

Amonyak, molekülünde karbon bulunmayan ve hidrojenin taşınması/depolanması açısından ilgi gören bir enerji taşıyıcısıdır. Bununla birlikte doğrudan NH₃ yanmasının düşük reaktivite ve azot oksit oluşumu gibi önemli zorlukları vardır. Amonyağa hidrojen eklemek yanma reaktivitesini artırabilir; ancak özellikle fakir karışımlarda alevin içsel kararsızlıklarını da güçlendirebilir.

Kaynak iki temel içsel alev kararsızlığı mekanizmasını tartışmaktadır. Birincisi hidrodinamik Darrieus–Landau (DL) mekanizmasıdır. İkincisi ise ısı ve kimyasal türlerin moleküler difüzyon hızları arasındaki dengesizlikle ilişkili termodifüzyonel (thermodiffusive, TD) mekanizmadır.

Fakir hidrojen içeren karışımlarda kontrol edici reaktantın efektif Lewis sayısı kritik değerin altına indiğinde termodifüzyonel mekanizma kararsızlaştırıcı davranabilir. Bu tür kararsızlıklar alev cephesinin düz bir yüzey olarak ilerlemesi yerine kırışmasına, hücresel yapıların oluşmasına, yerel karışım oranlarının değişmesine ve NO gibi türlerin oluşum bölgelerinin karmaşıklaşmasına neden olabilir.

Bu nedenle problem yalnız “alev sıcaklığı kaçtır?” sorusu değildir. Her uzaysal noktada onlarca kimyasal türün kütle kesri vardır ve bu kimyasal durumlar birbirleriyle güçlü, doğrusal olmayan ilişkiler içindedir. Ayrıntılı kimyayı her CFD hücresinde doğrudan çözmek hesaplama maliyetini ciddi biçimde artırır.

Düşük boyutlu manifold nedir?

Çalışmanın temel varsayımı, 25 türden oluşan ayrıntılı kimyasal bileşim uzayının bütün serbestlik derecelerinin bağımsız olmadığıdır. Kimyasal durumlar yüksek boyutlu bir uzayda bulunmasına rağmen fiziksel olarak erişilen durumların daha düşük boyutlu bir yüzey veya low-dimensional manifold (LDM) üzerinde toplanması beklenir.

Bu durumda bütün türleri bağımsız kontrol değişkeni olarak taşımak yerine az sayıda progress variable, yani ilerleme değişkeni kullanılabilir. İlerleme değişkenleri kimyasal durumun düşük boyutlu koordinatları gibi davranır.

Çalışmanın araştırma sorusu bu noktada ortaya çıkar: büyük ölçekli ve termodifüzyonel olarak kararsız bir alevin kimyasal durum uzayını yeterince doğru temsil etmek için kaç ilerleme değişkeni gerekir ve bu değişkenleri öğrenmek için ne kadar zengin eğitim verisi kullanılmalıdır?

İlerleme Değişkeni Nedir ve Bu Çalışmada Neden Kullanılıyor?

İlerleme değişkeni (progress variable), çok sayıda kimyasal tür kütle kesrinin belirli ağırlıklarla birleştirilmesiyle oluşturulan ve yüksek boyutlu yanma bileşim uzayını daha az sayıda koordinatla tanımlamaya yarayan indirgenmiş bir değişkendir; bu çalışmada amaç 23 modellenen türün davranışını 1–4 ilerleme değişkeninden yeniden oluşturabilmektir.

AH1s ve AH1sB DNS veri kümeleri

Çalışmada iki laminer, istatistiksel olarak düz fakat içsel olarak kararsız iki boyutlu DNS kullanılmıştır. Her ikisinde de:

• yakıt hacimce %50 NH₃ + %50 H₂'dir,
• hava ile ön karışım yapılmıştır,
• eşdeğerlik oranı φ = 0,5'tir,
• yanmamış gaz sıcaklığı T_u = 500 K'dir,
• basınç atmosfer basıncıdır,
• Gotama ve arkadaşlarının 25 tür / 110 reaksiyonlu ayrıntılı kinetik mekanizması kullanılmıştır.

İki simülasyon arasındaki ana fark yanal alan genişliğidir. AH1s için L_x = 10λ_c, AH1sB için L_x = 30λ_c'dir. Kesim dalga boyu λ_c = 2,63 mm olduğuna göre fiziksel yanal genişlikler yaklaşık 26,3 mm ve 78,9 mm'dir. Bu son iki değer kaynak parametrelerinin basit çarpımıdır; yeni bir simülasyon sonucu değildir.

Kaynak, yaklaşık 25λ_c ve daha geniş alanlarda alev önünün karakteristik kırışma spektrumunun daha serbest gelişebildiğini tartışmaktadır. Bu nedenle AH1sB, daha geniş ölçekli kararsızlık yapılarını ve daha zengin termokimyasal durumları içeren test uzayı olarak seçilmiştir.

DNS nasıl hesaplanmıştır?

DNS'ler araştırma grubunun değiştirilmiş Nek5000 çözücüsüyle hesaplanmıştır. Tepkimeli akışlar için yüksek mertebeli splitting yaklaşımı kullanılmış ve sert kimyasal adi diferansiyel denklem sistemi CVODE ile örtük olarak integre edilmiştir.

Kaynak spektral eleman mertebesini N = 10 olarak vermektedir. Bu çözünürlük, laminer termal alev kalınlığı içinde yaklaşık 20 grid noktası bulunmasını sağlamıştır. Bu bilgi önemlidir; DNS etiketi yalnız model adından değil, alev yapısının ince ölçeklerinin doğrudan çözümlenmesinden kaynaklanmaktadır.

Flamelet eğitim kütüphaneleri

DNS dışında iki farklı bir boyutlu flamelet eğitim grubu oluşturulmuştur:

Flamelet'ler Cantera ile üretilmiştir. Gerilmiş flamelet'ler premixed counterflow flame geometrisidir. Eşdeğerlik oranı aralığının 0,45–0,60 seçilmesinin nedeni DNS içinde tercihli H₂ difüzyonu ve alev eğriliği nedeniyle yerel eşdeğerlik oranının geniş bir aralıkta değişmesidir.

Kaynak DNS'nin bazı bölgelerde φ = 0,45'in biraz altına indiğini göstermektedir. Bununla birlikte flamelet kütüphanesini daha fakir değerlere doğru genişletmenin test sonuçlarında belirgin iyileşme sağlamadığı bulunmuş ve alt sınır 0,45 olarak korunmuştur.

Boyutsuz sıcaklık θ

Formül neyi hesaplar? Yerel sıcaklığı, aynı koşullardaki bir boyutlu serbest yayılan alevin yanmamış ve yanmış durumları arasında boyutsuzlaştırır.

• T: incelenen yerel sıcaklık.
• T_u^1D: bir boyutlu referans alevin yanmamış gaz sıcaklığı.
• T_b^1D: bir boyutlu referans alevin yanmış gaz sıcaklığı.
• θ: boyutsuz sıcaklık.

Payda, referans 1D alevde yanmış ve yanmamış sıcaklık arasındaki toplam sıcaklık artışıdır. Pay ise yerel durumun yanmamış sıcaklığın ne kadar üzerine çıktığını gösterir. Böylece farklı yerel durumlar ortak bir normalize sıcaklık koordinatı üzerinde karşılaştırılabilir.

Model pipeline'ı

SVD nedir?

Singular Value Decomposition (SVD), bir veri matrisini ortonormal yönler ve bunların ağırlıklarını temsil eden tekil değerlere ayıran doğrusal cebir yöntemidir. Çalışmada kimyasal tür kütle kesirlerinden oluşan veri matrisi üzerindeki doğrusal korelasyon yapısını bulmak ve ilerleme değişkenlerini hiyerarşik biçimde sıralamak için kullanılmıştır.

Formül neyi ifade eder? Kaynakta X kimyasal bileşim veri matrisidir; U ve V ortonormal sütunlara sahip unitary matrislerdir. Σ negatif olmayan tekil değerleri içeren diyagonal yapıdır. Yıldız işareti kompleks eşlenik transpozu ifade eder; gerçek değerli veride sıradan transpozla aynıdır.

Kimyasal türlerin kütle kesirleri, her satır/sütun yönü veri durumunu ve türleri temsil edecek biçimde X matrisine yerleştirilir. SVD, bileşim uzayındaki en güçlü doğrusal korelasyon yönlerini bulur. Bu yönlerin ağırlıkları ilerleme değişkenlerinin tanımında kullanılır.

• C_j: j'inci ilerleme değişkeni.
• Y_i: i'inci kimyasal türün kütle kesri.
• a_i,j: SVD'den elde edilen tür ağırlığı.

SVD+ANN yaklaşımında bu işlem iki aşamalıdır: önce ilerleme değişkenleri SVD ile belirlenir; sonra ANN bu düşük boyutlu koordinatlardan türlerin kütle kesirlerini yeniden oluşturmayı öğrenir.

SVD+ANN ağı nasıl optimize edilmiştir?

Kaynak ANN mimarisinin her eğitim durumu için Random Search ile optimize edildiğini belirtmektedir. Aranan hiperparametre aralıkları şöyledir:

ANN 23 kimyasal türü yeniden oluşturmaktadır; kaynak He ve Ar'ı model çıkışından hariç tutmuştur. Ana PDF her M-1/M-2/M-3 ağı için Random Search sonunda seçilen kesin katman ve nöron sayılarını görünür biçimde vermemektedir.

Veri örnekleme ve ölçekleme

Eğitimi hızlandırmak amacıyla tam eğitim veri kümesinden örnek seçimi yapılmıştır. Örnekleme, örneklenen veri ile tam eğitim verisi arasındaki Kullback–Leibler divergence farkını azaltacak biçimde tasarlanmıştır. KL divergence iki olasılık dağılımının birbirinden ne kadar farklı olduğunu ölçen bilgi kuramsal bir büyüklüktür.

Kaynak ana PDF'de örnekleme sonunda her eğitim kümesinde kaç veri noktasının tutulduğunu açıkça raporlamamaktadır. Bu nedenle Verianla yeni bir örnek sayısı üretmemektedir.

ANN eğitiminden önce her değişken [0,1] aralığına ölçeklenmiştir:

Formül neyi hesaplar? Her kimyasal tür veya ilerleme değişkeninin değerini eğitim veri kümesindeki minimum ve maksimum değerlerine göre 0 ile 1 aralığına taşır.

• X_i,j: i'inci değişkenin j'inci veri noktasındaki özgün değeri.
• min(X_i): i'inci değişkenin eğitim kümesindeki minimumu.
• max(X_i): i'inci değişkenin eğitim kümesindeki maksimumu.
• X_i,j^*: ölçeklenmiş değer.

Test veri kümesi bağımsız olarak kendi minimum ve maksimumlarıyla ölçeklenmemiştir. AH1sB test verisi, ilgili eğitim kümesinin min/max değerleri kullanılarak ölçeklenmiştir. Bu ayrım gerçek genelleme değerlendirmesi açısından önemlidir; test verisinden ölçek parametresi öğrenilmemiştir.

LNAE nedir?

Linear–Nonlinear Autoencoder (LNAE), giriş kimyasal türlerini düşük boyutlu bir bottleneck katmanına sıkıştıran ve ardından doğrusal olmayan bir decoder ile hedef kimyasal bileşimi yeniden oluşturan yapay sinir ağı mimarisidir.

Bu çalışmadaki bottleneck katmanında 1–4 nöron bulunur. Her nöron bir ilerleme değişkenine karşılık gelir. Bottleneck katmanının aktivasyonu doğrusaldır ve bias değeri sıfır tutulmuştur. Bu tercih, ilerleme değişkenlerinin giriş türlerinin doğrusal kombinasyonu olarak kalmasını ve SVD ilerleme değişkenleriyle fiziksel/matematiksel açıdan daha doğrudan karşılaştırılabilmesini sağlar.

Decoder kısmında 1–10 gizli katman bulunabilir; gizli katmanlarda sigmoid, son çıkış katmanında doğrusal aktivasyon kullanılmıştır. Decoder'ın optimum nöron düzeni yine Random Search ile seçilmiştir.

LNAE'nin SVD+ANN'den temel farkı, ilerleme değişkenlerinin tanımını ayrı bir doğrusal cebir adımında sabitlememesidir. Bottleneck ağırlıkları ve türleri yeniden oluşturan decoder aynı eğitim amacı içinde birlikte optimize edilir.

LNAE Neden SVD+ANN'den Daha Başarılı Oldu?

LNAE, ilerleme değişkenlerini yalnız bütün kimyasal türler arasındaki en güçlü doğrusal korelasyonları temsil edecek şekilde seçmek yerine hedef türlerin rekonstrüksiyon hatasını azaltacak biçimde decoder ile birlikte optimize ettiği için bu çalışmada aynı eğitim veri kümesi kullanıldığında SVD+ANN'den genel olarak daha düşük rekonstrüksiyon hataları ve daha düşük gerekli manifold boyutu göstermiştir.

Bir ile dört progress variable neden denenmiştir?

Kaynak üst sınırı dört ilerleme değişkeni olarak belirlemiştir. Bunun iki gerekçesi vardır: benzer kararsız alevlerde üç ilerleme değişkeninin yeterli olabildiğine dair önceki çalışmalar ve tabulated chemistry uygulamalarında çok daha yüksek sayıda kontrol değişkeninin genellikle pratik olmamasıdır.

Manifold boyutu büyüdükçe her ilave değişken ek bilgi taşıyabilir; ancak CFD'de her ilerleme değişkeni için bir taşıma denklemi veya tablo boyutu eklenmesi gerekir. Bu nedenle modelleme hedefi yalnız en düşük rekonstrüksiyon hatası değil, mümkün olan en düşük boyutta yeterli doğruluk elde etmektir.

Tabulated chemistry bağlantısı

Çalışmanın a-priori modelleri doğrudan CFD'de kullanılmasa bile ilerleme değişkenlerinin tanımı onları Flamelet Generated Manifold benzeri tabulated chemistry çerçevelerine taşımaya uygundur.

Bir ilerleme değişkeni C_j için kaynak taşıma denklemini şu biçimde verir:

• ρ: yoğunluk.
• C_j: j'inci ilerleme değişkeni.
• u: hız alanı.
• J_Cj: ilerleme değişkenine ait difüzif akı.
• S_Cj: kimyasal kaynak terimi.
• N_C: taşınan ilerleme değişkenlerinin sayısı.

Denklemin sol tarafı zamansal değişim ve konvektif taşınımı; sağ tarafı difüzyon ve kimyasal üretim/tüketim etkisini temsil eder.

İlerleme değişkenleri kimyasal tür kütle kesirlerinin doğrusal kombinasyonu olduğundan kaynak terimleri de tür kaynak terimlerinin aynı ağırlıklarla birleştirilmesiyle yazılabilir:

Burada \(\dot{\omega}_i\), i'inci kimyasal türün reaksiyon kaynak terimidir. Böylece bütün tür denklemlerini CFD sırasında ayrı ayrı çözmek yerine daha az sayıdaki progress-variable denklemi taşınabilir.

Türlerin kütle kesirleri daha sonra ilerleme değişkenlerinden bir fonksiyon veya tablo aracılığıyla yeniden oluşturulur:

Bu denklem ayrıntılı kimyanın tamamen ortadan kalktığını ifade etmez. Ayrıntılı kimyadan öğrenilen ilişki, düşük boyutlu progress-variable uzayına sıkıştırılmış biçimde saklanır ve çalışma zamanında tür değerleri bu düşük boyutlu temsil üzerinden geri çağrılır.

Çalışmanın Yöntemi ve Bulguları

Altı modelin adlandırılması

Neden NO, NH₃ ve NNH seçildi?

Ağların çıktısı yalnız üç tür değildir; modeller kinetik mekanizmadaki çok sayıda türü yeniden oluşturmaktadır. Makale sonuç sunumunu üç temsilci türe odaklamıştır.

• NO: amonyak/hidrojen yanmasında önemli kirletici türü ve yavaş oluşan kimyasal ürün davranışını temsil eder.
• NH₃: ana reaktantlardan biridir ve reaksiyon bölgesi boyunca tüketim davranışını temsil eder.
• NNH: yalnız çok dar reaksiyon tabakasında önemli hale gelen kimyasal ara türdür ve rekonstrüksiyon açısından zor bir test oluşturur.

NNH'nin uzayın büyük bölümünde sıfıra veya sıfıra çok yakın olması performans metriklerinin yorumunu zorlaştırır. Ortalama hata düşük görünse bile dar reaksiyon bölgesindeki büyük hata fiziksel olarak önemli olabilir.

Hata metriği

Formül neyi hesaplar? Her test grid noktasında model ile referans arasındaki farkı iki biçimde hesaplar ve küçük olanını hata değeri olarak seçer.

İlk terim [0,1] ölçekli değerler üzerinde mutlak farkı yüzde ölçeğine çevirir. İkinci terim klasik bağıl yüzde hatadır.

Bu iki terimden minimumun seçilmesinin amacı çok küçük gerçek değerlerde bağıl hata paydasının küçülmesi nedeniyle yüzlerce veya binlerce yüzdelik yapay hata oluşmasını önlemektir. Özellikle NNH gibi alevin çoğunda sıfıra yakın olan türlerde bu tasarım önemlidir.

QoI, quantity of interest yani modellenen büyüklüktür. Çalışmada sonuç sunumunda bu büyüklük çoğunlukla ölçeklenmiş NO, NH₃ veya NNH kütle kesridir.

R² neden tek başına yeterli değildir?

Predicted-versus-true scatter grafiklerinde belirleme katsayısı R² hesaplanmıştır. Ancak kaynak, kimyasal tür değerlerinin büyük bölümünün yanmamış veya tamamen yanmış durumlarda tek bir değerin çevresinde kümelenebildiğini belirtmektedir.

Böyle bir veri dağılımında model geniş uzayda çok sayıda kolay noktayı doğru tahmin edip reaksiyon cephesindeki az sayıdaki kritik noktayı kötü tahmin edebilir. R² yine çok yüksek çıkabilir. Bu nedenle çalışma R²'yi hata alanları, ortalama hata ve maksimum hata ile birlikte yorumlamaktadır.

M-1: SVD+ANN + AH1s DNS

M-1 modellerinde eğitim ve test veri kümeleri aynı fiziksel problem sınıfından iki farklı DNS'dir. Bir ilerleme değişkeni özellikle NO için yetersizdir. NH₃, iki boyutlu manifoldla çok daha iyi yeniden oluşturulurken NO için üç değişken kullanımı belirgin iyileşme sağlar.

NNH ise dar reaksiyon bölgesinde bulunduğu için en zor türlerden biridir. Ortalama hata düşük olabilse de maksimum hata önemli kalabilmektedir.

Kaynak genel olarak M-1'de en az üç progress variable kullanıldığında üç hedef türün güçlü biçimde temsil edilebildiğini göstermektedir.

M-2: SVD+ANN + yalnız gerilmemiş flamelet

M-2'nin temel problemi eğitim verisinde gerilme etkilerinin bulunmamasıdır. AH1sB test alevinde içsel kararsızlıklar alev cephesini kırıştırır; bu kırışıklık yerel gerilme, eğrilik ve tercihli difüzyon etkileri oluşturur.

NO bu etkilerden güçlü biçimde etkilendiğinden yalnız gerilmemiş bir boyutlu alevlerden öğrenilen kimyasal durum uzayı test DNS'sindeki NO davranışını yeterince kapsayamamıştır.

NH₃ için sonuçlar çok daha iyidir. Kaynak, gerilme etkisinin NH₃ davranışında daha ikincil olduğunu ve yalnız gerilmemiş flamelet veri kümesinin bu reaktant türünü modellemek için yeterli olabildiğini belirtmektedir.

M-3: SVD+ANN + gerilmiş flamelet'ler

M-3 veri kümesi M-2'den daha zengindir; 450 gerilmiş flamelet eklenmiştir. Buna rağmen SVD+ANN sonuçları beklenen iyileşmeyi göstermemiş ve kaynak M-2'nin bazı sonuçlarda M-3'ten daha iyi olduğunu bildirmiştir.

Bu bulgu çok önemlidir: daha zengin eğitim verisinin otomatik olarak daha iyi model vermediğini gösterir. Yazarlar bu durumda sınırlılığın yalnız veride değil SVD+ANN yönteminin progress-variable tanımlama biçiminde olduğunu tartışmaktadır.

L-1: LNAE + AH1s DNS

L-1 doğrudan M-1'in yöntemsel karşılığıdır; iki model aynı AH1s eğitim verisini kullanır. Bu nedenle fark daha çok model mimarisinin etkisini gösterir.

LNAE, iki progress variable ile üç hedef türü güçlü biçimde yeniden oluşturabilmiştir. M-1'de benzer kalite için bazı türlerde üç progress variable gerektiği düşünülürse LNAE'nin daha kompakt bir manifold oluşturduğu görülmektedir.

Kaynak L-1'in sonuçlarını küçük ölçekli DNS'nin büyük ölçekli AH1sB durum uzayını temsil etmek için yeterli temel bilgiyi içerdiğine dair genelleme kanıtı olarak değerlendirmektedir.

L-2: LNAE + gerilmemiş flamelet

L-2, aynı gerilmemiş flamelet veri kümesini kullanan M-2'den genel olarak daha başarılıdır. NNH için belirgin iyileşme görülmesi model mimarisinin etkisini gösterir.

NO açısından sonuçlar daha sınırlıdır. Bunun nedeni yalnız model değil eğitim verisinin gerilme etkilerini içermemesidir. Bu nedenle kaynak L-2 için NO sonucunu “karışık” olarak sınıflandırmıştır.

NH₃ en kolay türdür ve iki veya daha fazla latent değişkenle iyi yeniden oluşturulmaktadır.

L-3: LNAE + gerilmiş ve gerilmemiş flamelet

L-3'te eğitim verisi gerilme etkilerini içerdiği için özellikle NO rekonstrüksiyonu L-2'ye göre iyileşmiştir. Yüksek boyutlu L-3 modelleri, AH1s DNS üzerinde eğitilmiş L-1 modellerinin performansına yaklaşmıştır.

Bu sonuç çalışmanın önemli pratik mesajlarından biridir: pahalı bir DNS eğitim veri kümesi yerine uygun biçimde hazırlanmış gerilmiş flamelet kütüphanesi, LNAE kullanıldığında bazı hedef türler için büyük ölçekli DNS bileşim uzayını yüksek doğrulukla temsil edebilir.

Ancak bu sonuç bütün kimyasal türler, bütün NH₃/H₂ karışımları ve bütün çalışma koşulları için evrensel olarak kanıtlanmış değildir. Test tek bir nominal yakıt karışımı ve belirli termokimyasal koşullardaki AH1sB DNS üzerinde yapılmıştır.

Kaynak Tablo 2'nin nitel sonuç özeti

Model boyutu arttıkça ne oluyor?

Kaynağın Fig. 19 ve Fig. 20 tartışmasında en belirgin eğilim, progress-variable sayısı arttıkça ortalama rekonstrüksiyon hatasının başlangıçta hızla azalmasıdır. Bununla birlikte üç değişken civarında birçok model bir hata tabanına yaklaşır.

Dördüncü değişken çoğu durumda daha küçük bir ek iyileşme sağlar veya bazı türlerde performansı kötüleştirebilir. Yazarlar bunu iki olası nedenle açıklar:

• DNS üzerinde eğitilen modellerde ek progress variable'ların kimyasal durumla taşıdığı yeni korelasyon giderek azalabilir.
• Flamelet üzerinde eğitilen ve eğitim hatası zaten çok düşük olan modellerde artan boyut test genellemesini geliştirmek yerine overfitting'e katkıda bulunabilir.

Bu nedenle optimum manifold boyutu tek bir evrensel sayı değildir. Türün uzaysal ve kimyasal davranışına ve eğitim verisinin yapısına bağlıdır.

A-Priori ve A-Posteriori Test Arasındaki Fark Nedir?

A-priori test, öğrenilmiş modelin önceden hesaplanmış AH1sB DNS durumlarını ne kadar doğru yeniden oluşturduğunu ölçerken a-posteriori test modeli taşıma denklemleri ve tabulated chemistry içinde gerçek çözücü akışına dahil eder; bu çalışmanın a-posteriori kısmı yalnız seçilen iki latent değişkenli L-1 modeli için yapılan ön 1D alev ve 2D doğrusal kararlılık testlerinden oluşmaktadır.

A-posteriori kullanım için L-1 nasıl değiştirilmiştir?

A-priori sonuçlarda L-1 güçlü performans gösterdiği için a-posteriori testte bu model seçilmiştir. İki latent değişkenli yeni bir LNAE eğitilmiştir.

Bu yeni LNAE yalnız tür kütle kesirlerini değil, CFD sırasında gerekli olan tür kaynak terimlerini ve moleküler difüziviteleri de tahmin edecek biçimde genişletilmiştir.

Ayrıca encoder'a bütün kimyasal türlerin verilmesi yerine şu alt küme kullanılmıştır:

O₂, H₂O, NH₃, NO, NO₂ ve H₂.

Kaynak bu seçimin, progress-variable alanlarında alev boyunca daha küçük uzaysal gradyanlar oluşturmak ve taşıma denklemlerine daha uygun değişkenler elde etmek amacı taşıdığını belirtmektedir.

2D lookup table nasıl oluşturulmuştur?

İki latent değişkenin oluşturduğu \(R^2\) uzayında düzgün bir grid kurulmuş ve yeni LNAE bu grid noktalarında değerlendirilmiştir. Böylece türler ve gerekli termokimyasal büyüklükler iki progress variable'ın fonksiyonu olarak tabloya alınmıştır.

Bu tablo doğrudan ANN'yi CFD'nin her hücresinde tekrar çalıştırmak yerine, hesaplanan C₁ ve C₂ değerlerinden önceden hazırlanmış kimyasal bilgiye erişmeyi mümkün kılar.

OpenFOAM tabanlı a-posteriori çözücü

Tabulated L-1 modeli araştırma grubunun daha önce farklı bağlamlarda doğrulanmış, OpenFOAM tabanlı kurum içi çözücüsüne uygulanmıştır.

Bir boyutlu test için nominal koşullar yine:

• φ = 0,5,
• T_u = 500 K,
• hacimce %50 H₂ + %50 NH₃

olarak tutulmuştur. Hesap ağı, alev kalınlığı boyunca en az 20 finite volume içerecek biçimde seçilmiştir.

1D a-posteriori sonucu

Tabulated L-1 modelinin sıcaklık, NH₃, NO ve NNH profilleri Cantera'nın finite-rate çözümüyle karşılaştırılmıştır. Profiller genel olarak iyi uyuşmuş, NO'nun post-flame bölgesinde küçük farklar görülmüştür.

Kaynak laminer alev hızındaki toplam a-posteriori hatayı %3,6 olarak raporlamaktadır.

Bu sayı AH1sB iki boyutlu büyük ölçekli DNS'nin tam alan rekonstrüksiyon hatası değildir. Bir boyutlu nominal laminer alev hızına ait ayrı a-posteriori performans metriğidir.

2D doğrusal kararlılık testi

İçsel olarak kararsız alevlerde yalnız düzgün bir 1D alev profilini yeniden oluşturmak yeterli değildir. Küçük alev cephesi pertürbasyonlarının büyüyüp büyümediğinin de doğru tahmin edilmesi gerekir.

Bu amaçla düz alev cephesine küçük genlikli harmonik pertürbasyonlar uygulanmış ve her dalga sayısının büyüme oranı izlenmiştir. Sonuç dispersion relation, yani dağılım ilişkisi \(\omega(k)\) olarak ifade edilir.

• k: pertürbasyon dalga sayısı.
• ω: ilgili dalga sayısının büyüme oranı.

ω pozitif olduğunda ilgili pertürbasyon büyür; daha büyük büyüme oranı daha güçlü doğrusal kararsızlık eğilimini ifade eder.

L-1 modeli düşük dalga sayılarında referans dağılım ilişkisini doğru biçimde izlerken yüksek dalga sayılarında daha yüksek büyüme oranları üretmiştir. Başka bir ifadeyle model küçük dalga boylu bozulmaları referans DNS'den daha kararsız tahmin etmiştir.

Yazarlar bu davranışın başka gelişmiş tabulated chemistry modellerinde de görüldüğünü ve genel dağılım ilişkisinin tabulated chemistry bağlamında makul olduğunu belirtmektedir.

Çalışmanın desteklediği ve desteklemediği sonuçlar

Çalışmanın güçlü yönleri

• Aynı büyük AH1sB test veri kümesi üzerinde iki farklı model paradigması karşılaştırılmıştır.
• Model mimarisi ile eğitim veri kaynağının etkisi birbirinden kısmen ayrıştırılabilmektedir.
• Aynı AH1s verisini kullanan M-1/L-1 çifti yöntem karşılaştırması için özellikle değerlidir.
• Yalnız ortalama hata değil scatter, uzaysal hata alanı, R² ve maksimum hata davranışları birlikte tartışılmıştır.
• NO, NH₃ ve NNH farklı kimyasal/uzaysal davranışlara sahip temsilci türler olarak seçilmiştir.
• Gerilmiş ve gerilmemiş flamelet eğitim verilerinin genelleme farkı ayrıca araştırılmıştır.
• A-priori model değerlendirmesi ön a-posteriori CFD/tabulation testiyle tamamlanmıştır.
• İki latent değişkenin gerçek taşıma denklemlerine uygulanması gösterilmiştir.

Çalışmanın sınırlılıkları

• Ana çalışma tamamen sayısal modelleme ve simülasyon verilerine dayanır; deneysel alev ölçümü yoktur.
• Test koşulu tek nominal NH₃/H₂ yakıt karışımı ve φ = 0,5 merkez koşulu çevresindeki belirli problem ailesidir.
• Yazarların ana sonuç sunumu 25 türün tamamı yerine NO, NH₃ ve NNH üzerine odaklanmaktadır.
• Flamelet kütüphanesi φ = 0,45–0,60 aralığıyla sınırlıdır.
• Gerilmiş flamelet sayısı 450, gerilmemiş flamelet sayısı 30'dur; başka kütüphane yoğunlukları sistematik olarak karşılaştırılmamıştır.
• Ana PDF KL-divergence örnekleme sonrasında tutulan kesin eğitim veri noktası sayısını raporlamamaktadır.
• Ana PDF her modelin Random Search sonunda seçilen kesin gizli katman/nöron düzenini vermemektedir.
• Ana PDF eğitimde kullanılan kayıp fonksiyonunun matematiksel biçimini açıkça belirtmemektedir.
• Sonuç grafiklerinin ayrıntılı sayısal hata tabloları Supplementary Material'a bırakılmıştır.
• R², tür değerlerinin tek durum çevresinde yoğunlaştığı durumlarda yanıltıcı olabilir.
• NNH gibi lokalize ara türlerde ortalama hata fiziksel açıdan kritik maksimum hatayı gizleyebilir.
• A-posteriori bölüm yalnız L-1 modeline uygulanmıştır; diğer beş modelin CFD içi performansı sınanmamıştır.
• A-posteriori değerlendirme ön niteliktedir.
• 2D a-posteriori test tam doğrusal olmayan büyük ölçekli AH1sB propagasyon simülasyonu değil, doğrusal kararlılık analizidir.
• L-1 yüksek dalga sayılarında referanstan daha yüksek büyüme oranı ve daha fazla kararsızlık tahmin etmektedir.
• Türbülans–kimya etkileşimi bu çalışmanın a-posteriori kapsamına dahil edilmemiştir.

Gelecek çalışma yönleri

Yazarlar gelecekte a-posteriori hataların daha sistematik incelenmesini ve modelin Large Eddy Simulation (LES) içinde türbülans–kimya etkileşimi modellemesiyle birleştirilmesini önermektedir.

Bu gelecek çalışma hedefi mevcut çalışmada türbülanslı endüstriyel yanmanın başarıyla simüle edildiği anlamına gelmez. Mevcut makale önce düşük boyutlu kimyasal manifoldun oluşturulabilirliğini ve sınırlı a-posteriori kullanımını göstermektedir.

Çalışmanın temel bilimsel sonucu

Çalışmanın en önemli sonucu “yapay zekâ alevi doğru tahmin etti” gibi genel bir ifadeye indirgenmemelidir. Araştırmanın asıl katkısı, hangi eğitim verisinin hangi indirgenmiş model mimarisiyle birleştiğinde termodifüzyonel olarak kararsız NH₃/H₂ alevinin kimyasal durum uzayına genellenebildiğini karşılaştırmalı olarak göstermesidir.

Küçük ölçekli DNS en güçlü eğitim verisi olmuştur. Bununla birlikte LNAE, gerilmiş flamelet'lerden öğrenildiğinde pahalı DNS eğitimi olmadan da büyük ölçekli DNS'deki temel kimyasal türlerin davranışını güçlü biçimde yeniden oluşturabilmiştir.

Bu bulgu, hesaplama maliyeti yüksek ayrıntılı kimyanın daha az sayıda progress variable üzerinden tabulated chemistry biçiminde temsil edilmesi açısından önemlidir. Fakat yöntem hâlâ fiziksel eğitim verisine, doğru flamelet durum uzayına, uygun progress-variable tanımına ve a-posteriori doğrulamaya bağımlıdır.

Kaynak ve Yöntem Notu

Özgün başlık: Data-driven modeling of the flame composition space of an intrinsically unstable lean premixed ammonia/hydrogen/air flame

Yazarlar: S. Bottari; F. D’Alessio; C. Matteucci; P.E. Lapenna; F. Creta.

Sorumlu yazar: S. Bottari. Kaynak corresponding-author e-posta adresini stefano.bottari@uniroma1.it olarak vermektedir.

Eş katkı: Kaynakta eş birinci yazarlık veya eş katkı beyanı belirtilmemiştir.

Kurum: Mechanical and Aerospace Engineering, Sapienza University of Rome, Via Eudossiana 18, Rome 00186, Italy.

Dergi: Fuel.

Yayınevi: Elsevier Ltd.

Kaynak türü: Full length article; veri güdümlü indirgenmiş yanma kimyası modellemesi ve DNS/flamelet tabanlı sayısal çalışma.

Bibliyografik kayıt: Fuel 405, Part D (2026), Article 136805.

DOI: 10.1016/j.fuel.2025.136805

Resmî bağlantı: https://doi.org/10.1016/j.fuel.2025.136805

Yayın tarihleri: Received: 23 Mayıs 2025; revised: 7 Ağustos 2025; accepted: 8 Eylül 2025; available online: 12 Eylül 2025. ScienceDirect cilt kaydı Volume 405, Part D için 1 Şubat 2026 tarihini göstermektedir.

Hakemlik durumu: Fuel içinde kabul edilmiş ve yayımlanmış tam uzunluklu bilimsel makaledir.

Lisans: Creative Commons Attribution–NonCommercial–NoDerivatives 4.0 International, CC BY-NC-ND 4.0.

Telif/görsel notu: ND koşulu nedeniyle kaynak Fig. 1–22'nin görsel düzeni uyarlanarak yeniden üretilmemiştir. Makale içindeki yöntem şeması yalnız kaynakta açıkça verilen olgusal veri ve ilişkiler kullanılarak bağımsız bir Verianla kompozisyonu olarak oluşturulmuştur.

Preprint durumu: İncelenen kaynak yayımlanmış dergi makalesidir; kaynak içinde ayrı bir preprint kimliği belirtilmemiştir.

DNS ana koşulları: %50 NH₃ + %50 H₂ hacimsel yakıt karışımı; φ = 0,5; T_u = 500 K; atmosfer basıncı; 25 tür / 110 reaksiyon kinetik mekanizması; AH1s = 10λ_c; AH1sB = 30λ_c; λ_c = 2,63 mm.

DNS yazılımı: Kurum içi değiştirilmiş Nek5000; reaksiyonlu akış için yüksek mertebeli splitting; sert kimya alt sistemi için CVODE.

Flamelet üretimi: Cantera; 30 gerilmemiş 1D flamelet ve 450 gerilmiş premixed counterflow flamelet.

Makine öğrenmesi yazılımı: Keras ve TensorFlow tabanlı Python uygulaması.

Model aileleri: SVD+ANN için M-1/M-2/M-3; LNAE için L-1/L-2/L-3.

Hiperparametre araması: Random Search; 1–10 gizli katman, katman başına 5–505 nöron ve 10⁻⁴–10⁻² öğrenme oranı aralıkları kaynakta belirtilmiştir.

Örnekleme: Eğitim verisinin örneklenmesi, örneklenmiş ve tam veri kümeleri arasındaki Kullback–Leibler divergence farkını azaltmaya dayanmaktadır. Ana PDF nihai örnek veri noktası sayısını açık biçimde raporlamamaktadır.

Ölçekleme: Değişkenler eğitim verisinin minimum ve maksimum değerleri kullanılarak [0,1] aralığına ölçeklenmiştir; test verisi için de aynı eğitim min/max değerleri kullanılmıştır.

Temel değerlendirme türleri: predicted-versus-true scatter grafikleri ve R², uzaysal hata alanları, ortalama hata, maksimum hata ve Denklem 6'daki birleşik mutlak/bağıl yüzde hata metriği.

A-posteriori model: İki latent değişkenli L-1. Model OpenFOAM tabanlı kurum içi tabulated chemistry çözücüsünde uygulanmıştır.

A-posteriori 1D sonucu: Laminer alev hızında %3,6 hata raporlanmıştır.

A-posteriori 2D sınırı: Test doğrusal kararlılık ve dispersion relation analizidir; tam doğrusal olmayan büyük ölçekli AH1sB alev propagasyonunun a-posteriori rekonstrüksiyonu değildir.

CRediT katkıları: S. Bottari: Writing – original draft, Software, Methodology, Investigation. F. D’Alessio: Writing – original draft, Methodology, Software. C. Matteucci: Software. P.E. Lapenna: Writing – review & editing, Conceptualization, Methodology. F. Creta: Writing – review & editing, Funding acquisition, Conceptualization.

Finansman: Clean Hydrogen Partnership, grant agreement No. 101137955 — ACHIEVE; program Avrupa Birliği Horizon Europe, Hydrogen Europe ve Hydrogen Europe Research finansmanı almaktadır. Çalışma ayrıca European Union – NextGenerationEU tarafından finanse edilen ICSC, Centro Nazionale di Ricerca in High-Performance Computing, Big Data and Quantum Computing tarafından desteklenmiştir.

Çıkar çatışması: Yazarlar çalışmayı etkileyebilecek bilinen rekabet eden finansal çıkar veya kişisel ilişki bulunmadığını beyan etmiştir.

Veri erişilebilirliği: Kaynak “Data will be made available upon request” beyanını vermektedir.

Yeniden üretilebilirlik sınırı: Ana PDF Random Search aralıklarını açıklamakla birlikte her model için seçilmiş nihai ağ mimarisini, eğitim epoch/batch ayrıntılarını, KL örneklemesi sonrası kesin veri noktası sayısını ve eğitim loss fonksiyonunun açık matematiksel tanımını vermemektedir. Sayısal hata tablolarının önemli bölümü Supplementary Material'a yönlendirilmiştir.

Temel yorum sınırı: Çalışma bir veri güdümlü kimya indirgeme ve simülasyon çalışmasıdır. Sonuçlar gerçek gaz türbini, motor, brülör veya endüstriyel NH₃/H₂ yakma sisteminin emisyon, güvenlik veya performans doğrulaması değildir.