Маалыматка негизделген кыскартылган жалын курамынын модели кеңири күйүү химиясында көп сандагы химиялык түр менен аныкталган жогорку өлчөмдүү курам мейкиндигин аз сандагы көз карандысыз progress variable аркылуу көрсөтүүгө багытталган моделдөө ыкмасы. Бул изилдөөдө жакыр, алдын ала аралашкан жана термодиффузиялык жактан ички туруксуздук көрсөткөн %50 NH₃ + %50 H₂/аба жалыны үчүн эки ыкма салыштырылган: Singular Value Decomposition + Artificial Neural Network (SVD+ANN) жана Linear–Nonlinear Autoencoder (LNAE). Моделдер үч өзүнчө маалымат булагында үйрөтүлүп, окутууда көрүлбөгөн ири масштабдуу Direct Numerical Simulation (DNS) маалымат топтомунда сыналган.

Булакта эки DNS бар. AH1s деп аталган кичирээк аймактагы DNSтин каптал туурасы 10λ_c, AH1sBнин туурасы 30λ_c; бул жерде кесүү толкун узундугу λ_c = 2,63 mm. Эки DNS тең көлөмү боюнча %50 NH₃ жана %50 H₂, эквиваленттүүлүк катышы φ = 0,5, күйбөгөн аралашманын температурасы T_u = 500 K жана атмосфералык басым шартында. Кеңири химия механизми 25 химиялык түрдү жана 110 реакцияны камтыйт. Кичи масштабдуу AH1s окутуу маалыматы катары, кеңири термохимиялык абал мейкиндигин камтыган AH1sB болсо көрүлбөгөн тест маалымат топтому катары колдонулган.

Үч окутуу маалымат булагы салыштырылган: AH1s DNS; φ = 0,45–0,60 аралыгында түзүлгөн 30 созулбаган бир өлчөмдүү flamelet; жана ошол эле эквиваленттүүлүк катышынын аралыгындагы 30 созулбаган flamelet менен 450 созулган каршы-агым flameletинин айкалышы. Моделдердин реконструкция ийгилиги өзгөчө үч өкүл химиялык түр аркылуу талкууланган: булгоочу заттын пайда болушун көрсөткөн NO, реакцияга кирген отун компонентин көрсөткөн NH₃ жана жогорку мааниге тар реакция зонасында гана жеткен аралык түр NNH.

Негизги жыйынтык — модель архитектурасы менен окутуу маалыматы биргелешип аныктоочу фактор болушу. Кичи DNSте үйрөтүлгөн M-1 жана L-1 моделдери жалпысынан эң күчтүү натыйжаларды берген. Ошол эле AH1s окутуу маалыматы салыштырылганда LNAE негизиндеги L-1, SVD+ANN негизиндеги M-1 моделине караганда максаттуу түрлөрдүн курам мейкиндигин азыраак progress variable менен жакшыраак калыбына келтире алган. Созулбаган flameletтер гана NO жана NNH үчүн жетишсиз болгон, бирок NH₃тү жакшы көрсөткөн. Созулган flameletтер LNAE менен бирге колдонулганда, айрыкча NO реконструкциясы олуттуу жакшырган.

Булактагы натыйжалар “өзгөрмө көбүрөөк болсо, модель дайыма жакшы болот” дегенди билдирбейт. Ката маанилери адатта бир progress variableдан үчөөгө өткөндө азаят; көп учурда үчүнчү өзгөрмөдөн кийин кошумча пайда кичирейет. Айрым түрлөрдө төрт өзгөрмөлүү моделдер керектүүдөн жогору manifold өлчөмүнөн улам төмөн өлчөмдүү аналогдорунан жакшы натыйжа берген эмес.

Изилдөөнүн a-posteriori бөлүгү алдын ала мүнөздө. A-priori талдоодо эң күчтүү моделдердин бири болгон, AH1s DNSте үйрөтүлгөн эки latent өзгөрмөлүү L-1 модели tabulated chemistry алкагына өткөрүлгөн. Бир өлчөмдүү созулбаган жалын тестинде ламинардык жалын ылдамдыгында %3,6 ката билдирилген. Эки өлчөмдүү сызыктуу туруктуулук талдоосунда модель төмөн толкун сандарындагы эталондук өсүү ылдамдыктарын жакшы калыбына келтирген, ал эми жогорку толкун сандарында жалынды көбүрөөк туруксуз деп божомолдогон. Ошондуктан бул изилдөө толук масштабдуу турбина, күйгүч же реалдуу өнөр жайлык NH₃/H₂ күйүү системасынын валидациясы эмес.

Аммиак/суутек жалындарындагы көйгөй эмнеде?

Аммиак молекуласында көмүртек жок жана суутекти ташуу/сактоо жагынан кызыгуу жараткан энергия ташуучу. Бирок NH₃тү түз күйгүзүүдө төмөн реактивдүүлүк жана азот оксиддеринин пайда болушу сыяктуу олуттуу кыйынчылыктар бар. Аммиакка суутек кошуу күйүү реактивдүүлүгүн жогорулатышы мүмкүн; бирок айрыкча жакыр аралашмаларда жалындын ички туруксуздуктарын да күчөтүшү мүмкүн.

Булак жалындын ички туруксуздугунун эки негизги механизмин талкуулайт. Биринчиси гидродинамикалык Darrieus–Landau (DL) механизми. Экинчиси жылуулук менен химиялык түрлөрдүн молекулалык диффузия ылдамдыктарынын тең салмаксыздыгына байланышкан термодиффузиялык (thermodiffusive, TD) механизм.

Суутек камтыган жакыр аралашмаларда башкаруучу реагенттин эффективдүү Lewis саны критикалык мааниден төмөн түшкөндө термодиффузиялык механизм туруксуздандыруучу мүнөз көрсөтүшү мүмкүн. Мындай туруксуздуктар жалын фронтунун түз бет катары жылышынын ордуна бырышуусуна, уячалуу түзүлүштөрдүн пайда болушуна, жергиликтүү аралашма катыштарынын өзгөрүшүнө жана NO сыяктуу түрлөрдүн пайда болуу зоналарынын татаалдашышына алып келиши мүмкүн.

Ошондуктан маселе “жалындын температурасы канча?” деген суроо менен гана чектелбейт. Ар бир мейкиндик чекитинде ондогон химиялык түрлөрдүн массалык үлүшү бар жана бул химиялык абалдар бири-бири менен күчтүү, сызыктуу эмес байланышта. Ар бир CFD уячасында кеңири химияны түз чечүү эсептөө чыгымын олуттуу көбөйтөт.

Төмөн өлчөмдүү manifold деген эмне?

Изилдөөнүн негизги божомолу — 25 түрдөн турган кеңири химиялык курам мейкиндигинин бардык эркиндик даражалары көз карандысыз эмес. Химиялык абалдар жогорку өлчөмдүү мейкиндикте жайгашса да, физикалык жактан жетүүгө мүмкүн болгон абалдар төмөн өлчөмдүү бетте же low-dimensional manifold (LDM) үстүндө топтолот деп күтүлөт.

Мындай учурда бардык түрлөрдү көз карандысыз башкаруучу өзгөрмө катары алып жүрүүнүн ордуна аз сандагы progress variable, башкача айтканда прогресс өзгөрмөлөрүн колдонууга болот. Progress variableлар химиялык абалдын төмөн өлчөмдүү координаттары сыяктуу иштейт.

Изилдөөнүн суроосу дал ушул жерде пайда болот: ири масштабдуу жана термодиффузиялык жактан туруксуз жалындын химиялык абал мейкиндигин жетиштүү так көрсөтүү үчүн канча progress variable керек жана бул өзгөрмөлөрдү үйрөнүү үчүн канчалык бай окутуу маалыматы колдонулушу керек?

Progress Variable Деген Эмне жана Бул Изилдөөдө Эмне Үчүн Колдонулат?

Progress variable — көп сандагы химиялык түрдүн массалык үлүштөрүн белгилүү салмактар менен бириктирүү аркылуу түзүлгөн жана жогорку өлчөмдүү күйүү курамынын мейкиндигин азыраак координат менен сүрөттөөгө жардам берген кыскартылган өзгөрмө; бул изилдөөдө максат моделденген 23 түрдүн жүрүм-турумун 1–4 progress variableдан кайра түзүү.

AH1s жана AH1sB DNS маалымат топтомдору

Изилдөөдө эки ламинардык, статистикалык жактан түз, бирок ички туруксуз эки өлчөмдүү DNS колдонулган. Экөөндө тең:

• отун көлөмү боюнча %50 NH₃ + %50 H₂,
• аба менен алдын ала аралаштырылган,
• эквиваленттүүлүк катышы φ = 0,5,
• күйбөгөн газдын температурасы T_u = 500 K,
• басым атмосфералык басым,
• Gotama жана кесиптештеринин 25 түр / 110 реакциялуу кеңири кинетикалык механизми колдонулган.

Эки симуляциянын негизги айырмасы — каптал аймактын туурасы. AH1s үчүн L_x = 10λ_c, AH1sB үчүн L_x = 30λ_c. Кесүү толкун узундугу λ_c = 2,63 mm болгондуктан, физикалык каптал тууралыктары болжол менен 26,3 mm жана 78,9 mm. Бул акыркы эки маани булак параметрлеринин жөнөкөй көбөйтүндүсү; жаңы симуляция натыйжасы эмес.

Булак болжол менен 25λ_c жана андан кең аймактарда жалын фронтунун мүнөздүү бырышуу спектри эркинрээк өнүгө аларын талкуулайт. Ошондуктан AH1sB ири масштабдуу туруксуздук түзүлүштөрүн жана байыраак термохимиялык абалдарды камтыган тест мейкиндиги катары тандалган.

DNS кантип эсептелген?

DNSтер изилдөө тобунун өзгөртүлгөн Nek5000 чечүүчүсү менен эсептелген. Реакциялуу агымдар үчүн жогорку тартиптеги splitting ыкмасы колдонулуп, катуу химиялык кадимки дифференциалдык теңдемелер системасы CVODE менен имплициттик түрдө интеграцияланган.

Булак спектралдык элемент тартибин N = 10 деп берет. Бул чечилиш ламинардык термиялык жалын калыңдыгынын ичинде болжол менен 20 grid чекитинин болушун камсыз кылган. Бул маалымат маанилүү; DNS аталышы жөн гана моделдин атынан эмес, жалын түзүлүшүнүн майда масштабдары түз чечилгенинен келип чыгат.

Flamelet окутуу китепканалары

DNSтен тышкары эки түрдүү бир өлчөмдүү flamelet окутуу тобу түзүлгөн:

Flameletтер Cantera менен түзүлгөн. Созулган flameletтер premixed counterflow flame геометриясында. Эквиваленттүүлүк катышынын 0,45–0,60 аралыгы тандалышынын себеби — DNS ичинде артыкчылыктуу H₂ диффузиясы жана жалын ийрилиги натыйжасында жергиликтүү эквиваленттүүлүк катышы кең аралыкта өзгөрөт.

Булак DNSтин айрым аймактарында φ = 0,45 маанисинен бир аз төмөн түшөрүн көрсөтөт. Бирок flamelet китепканасын андан да жакыр маанилерге чейин кеңейтүү тест натыйжаларын байкаларлык жакшыртпаганы аныкталып, төмөнкү чек 0,45 бойдон калтырылган.

Өлчөмсүз температура θ

Формула эмнени эсептейт? Жергиликтүү температураны ошол эле шарттардагы бир өлчөмдүү эркин тараган жалындын күйбөгөн жана күйгөн абалдарынын ортосунда өлчөмсүз кылат.

• T: каралып жаткан жергиликтүү температура.
• T_u^1D: бир өлчөмдүү эталондук жалындын күйбөгөн газ температурасы.
• T_b^1D: бир өлчөмдүү эталондук жалындын күйгөн газ температурасы.
• θ: өлчөмсүз температура.

Бөлүүчү эталондук 1D жалындагы күйгөн жана күйбөгөн температуралардын ортосундагы жалпы температура өсүшүн көрсөтөт. Алым болсо жергиликтүү абал күйбөгөн температурадан канчалык жогорулаганын көрсөтөт. Ошентип ар түрдүү жергиликтүү абалдарды жалпы нормалдаштырылган температура координатасында салыштырууга болот.

Модель pipeline-ы

SVD деген эмне?

Singular Value Decomposition (SVD) — маалымат матрицасын ортонормал багыттарга жана алардын салмактарын көрсөткөн сингулярдык маанилерге ажыратуучу сызыктуу алгебра ыкмасы. Изилдөөдө химиялык түрлөрдүн массалык үлүштөрүнөн турган маалымат матрицасындагы сызыктуу корреляция түзүлүшүн табуу жана progress variableларды иерархиялык иреттөө үчүн колдонулган.

Формула эмнени билдирет? Булакта X — химиялык курам маалымат матрицасы; U жана V ортонормал мамычалары бар unitary матрицалар. Σ — терс эмес сингулярдык маанилерди камтыган диагоналдык түзүлүш. Жылдызча белгиси комплекстүү кошмо транспозицияны билдирет; чыныгы маанилүү маалыматта кадимки транспозицияга барабар.

Химиялык түрлөрдүн массалык үлүштөрү ар бир сап/мамыча багыты маалымат абалын жана түрлөрдү көрсөтө тургандай X матрицасына жайгаштырылат. SVD курам мейкиндигиндеги эң күчтүү сызыктуу корреляция багыттарын табат. Бул багыттардын салмактары progress variableларды аныктоодо колдонулат.

• C_j: j-чи progress variable.
• Y_i: i-чи химиялык түрдүн массалык үлүшү.
• a_i,j: SVDден алынган түр салмагы.

SVD+ANN ыкмасында бул жараян эки баскычтан турат: адегенде progress variableлар SVD менен аныкталат; андан кийин ANN ушул төмөн өлчөмдүү координаттардан түрлөрдүн массалык үлүштөрүн кайра түзүүнү үйрөнөт.

SVD+ANN тармагы кантип оптималдаштырылган?

Булак ANN архитектурасы ар бир окутуу абалы үчүн Random Search менен оптималдаштырылганын билдирет. Изделген гиперпараметр аралыктары төмөнкүдөй:

ANN 23 химиялык түрдү кайра түзөт; булак He жана Arды модель чыгышынан алып салган. Негизги PDF ар бир M-1/M-2/M-3 тармагы үчүн Random Search аягында тандалган так катмар жана нейрон сандарын ачык бербейт.

Маалыматты үлгүлөө жана масштабдоо

Окутууну тездетүү үчүн толук окутуу маалымат топтомунан үлгүлөр тандалган. Үлгүлөө үлгүлөнгөн маалымат менен толук окутуу маалыматынын ортосундагы Kullback–Leibler divergence айырмасын азайтууга багытталган. KL divergence эки ыктымалдык бөлүштүрүүнүн бири-биринен канчалык айырмаланарын өлчөгөн маалымат-теориялык чоңдук.

Булак негизги PDFте үлгүлөөдөн кийин ар бир окутуу топтомунда канча маалымат чекити сакталганын ачык билдирбейт. Ошондуктан Verianla жаңы үлгү санын чыгарбайт.

ANN окутуусуна чейин ар бир өзгөрмө [0,1] аралыгына масштабдалган:

Формула эмнени эсептейт? Ар бир химиялык түрдүн же progress variableдын маанисин окутуу маалымат топтомундагы минимум жана максимум маанилерине жараша 0 менен 1 аралыгына өткөрөт.

• X_i,j: i-чи өзгөрмөнүн j-чи маалымат чекитиндеги баштапкы мааниси.
• min(X_i): i-чи өзгөрмөнүн окутуу топтомундагы минимуму.
• max(X_i): i-чи өзгөрмөнүн окутуу топтомундагы максимуму.
• X_i,j^*: масштабдалган маани.

Тест маалымат топтому өзүнүн минимум жана максимумдары менен өз алдынча масштабдалган эмес. AH1sB тест маалыматы тиешелүү окутуу топтомунун min/max маанилерин колдонуу менен масштабдалган. Бул айырма чыныгы жалпылоону баалоо жагынан маанилүү; масштаб параметрлери тест маалыматынан үйрөнүлгөн эмес.

LNAE деген эмне?

Linear–Nonlinear Autoencoder (LNAE) — кирүүчү химиялык түрлөрдү төмөн өлчөмдүү bottleneck катмарына кысуучу жана андан кийин сызыктуу эмес decoder менен максаттуу химиялык курамды кайра түзүүчү жасалма нейрон тармак архитектурасы.

Бул изилдөөдөгү bottleneck катмарында 1–4 нейрон бар. Ар бир нейрон бир progress variableга туура келет. Bottleneck катмарынын активациясы сызыктуу жана bias мааниси нөлдө кармалган. Бул тандоо progress variableлардын кирүүчү түрлөрдүн сызыктуу комбинациясы бойдон калышына жана SVD progress variableлары менен физикалык/математикалык жактан түз салыштырылышына мүмкүндүк берет.

Decoder бөлүгүндө 1–10 жашыруун катмар болушу мүмкүн; жашыруун катмарларда sigmoid, акыркы чыгуу катмарында сызыктуу активация колдонулган. Decoderдин оптималдуу нейрон түзүлүшү да Random Search менен тандалган.

LNAEнин SVD+ANNден негизги айырмасы progress variableлардын аныктамасын өзүнчө сызыктуу алгебра кадамында бекитпегенинде. Bottleneck салмактары жана түрлөрдү кайра түзгөн decoder бир эле окутуу максатынын ичинде чогуу оптималдаштырылат.

LNAE Эмне Үчүн SVD+ANNден Ийгиликтүүрөөк Болду?

LNAE progress variableларды бардык химиялык түрлөрдүн ортосундагы эң күчтүү сызыктуу корреляцияларды гана көрсөтө тургандай тандабастан, максаттуу түрлөрдүн реконструкция катасын азайтуу үчүн decoder менен бирге оптималдаштыргандыктан, бул изилдөөдө бирдей окутуу маалымат топтому колдонулганда SVD+ANNге караганда жалпысынан төмөн реконструкция каталарын жана төмөнүрөөк талап кылынган manifold өлчөмүн көрсөткөн.

Эмне үчүн бирден төрткө чейин progress variable сыналган?

Булак жогорку чекти төрт progress variable деп белгилеген. Мунун эки себеби бар: окшош туруксуз жалындарда үч progress variable жетиштүү болушу мүмкүн экенин көрсөткөн мурунку изилдөөлөр жана tabulated chemistry колдонмолорунда андан көп башкаруучу өзгөрмө адатта практикалык эместиги.

Manifold өлчөмү өскөн сайын ар бир кошумча өзгөрмө кошумча маалымат алып жүрүшү мүмкүн; бирок CFDде ар бир progress variable үчүн транспорт теңдемеси же таблица өлчөмү кошулушу керек. Ошондуктан моделдөөнүн максаты эң төмөн реконструкция катасы гана эмес, мүмкүн болушунча төмөн өлчөмдө жетиштүү тактыкка жетишүү.

Tabulated chemistry менен байланыш

Изилдөөнүн a-priori моделдери CFDде түз колдонулбаса да, progress variableлардын аныктамасы аларды Flamelet Generated Manifold сыяктуу tabulated chemistry алкактарына өткөрүүгө ылайыктуу.

Бир progress variable C_j үчүн булак транспорт теңдемесин төмөнкү түрдө берет:

• ρ: тыгыздык.
• C_j: j-чи progress variable.
• u: ылдамдык талаасы.
• J_Cj: progress variableга тиешелүү диффузиялык агым.
• S_Cj: химиялык булак мүчөсү.
• N_C: ташылуучу progress variableлардын саны.

Теңдеменин сол тарабы убакыттык өзгөрүүнү жана конвективдик ташууну; оң тарабы диффузияны жана химиялык пайда болуу/сарпталуу таасирин көрсөтөт.

Progress variableлар химиялык түрлөрдүн массалык үлүштөрүнүн сызыктуу комбинациясы болгондуктан, булак мүчөлөрү да түр булак мүчөлөрүн ошол эле салмактар менен бириктирүү аркылуу жазылышы мүмкүн:

Бул жерде \(\dot{\omega}_i\), i-чи химиялык түрдүн реакция булак мүчөсү. Ошентип CFD учурунда бардык түр теңдемелерин өзүнчө чечүүнүн ордуна азыраак progress-variable теңдемелерин ташууга болот.

Түрлөрдүн массалык үлүштөрү андан кийин progress variableлардан функция же таблица аркылуу кайра түзүлөт:

Бул теңдеме кеңири химия толугу менен жоголгонун билдирбейт. Кеңири химиядан үйрөнүлгөн байланыш төмөн өлчөмдүү progress-variable мейкиндигине кысылган түрдө сакталат жана иштөө учурунда түр маанилери ушул төмөн өлчөмдүү көрсөтүү аркылуу кайра алынат.

Изилдөөнүн Ыкмасы жана Натыйжалары

Алты моделдин аталышы

Эмне үчүн NO, NH₃ жана NNH тандалган?

Тармактардын чыгышы үч түр менен гана чектелбейт; моделдер кинетикалык механизмдеги көп сандагы түрлөрдү кайра түзөт. Макалада натыйжаларды көрсөтүү үч өкүл түргө багытталган.

• NO: аммиак/суутек күйүүсүндөгү маанилүү булгоочу түр жана жай пайда болгон химиялык продукттун жүрүм-турумун көрсөтөт.
• NH₃: негизги реагенттердин бири жана реакция зонасы боюнча сарпталуу жүрүм-турумун көрсөтөт.
• NNH: өтө тар реакция катмарында гана маанилүү болгон химиялык аралык түр жана реконструкция үчүн татаал тест түзөт.

NNH мейкиндиктин чоң бөлүгүндө нөл же нөлгө абдан жакын болгондуктан, көрсөткүч метрикаларын чечмелөө кыйын. Орточо ката төмөн көрүнсө да, тар реакция зонасындагы чоң ката физикалык жактан маанилүү болушу мүмкүн.

Ката метрикасы

Формула эмнени эсептейт? Ар бир тест grid чекитинде модель менен эталондун ортосундагы айырманы эки түрдө эсептеп, кичүүсүн ката мааниси катары тандайт.

Биринчи мүчө [0,1] масштабдагы маанилердеги абсолюттук айырманы пайыздык масштабга айлантат. Экинчи мүчө классикалык салыштырмалуу пайыздык ката.

Бул эки мүчөнүн минимумун тандоонун максаты — чыныгы маанилер өтө кичине болгондо салыштырмалуу катанын бөлүүчүсү кичирейип, жүздөгөн же миңдеген пайыздык жасалма каталар пайда болушун алдын алуу. Айрыкча жалындын көп бөлүгүндө нөлгө жакын болгон NNH сыяктуу түрлөрдө бул түзүлүш маанилүү.

QoI — quantity of interest, башкача айтканда моделденген чоңдук. Изилдөөдө натыйжаларды көрсөтүүдө бул чоңдук көбүнчө масштабдалган NO, NH₃ же NNH массалык үлүшү.

R² эмне үчүн жалгыз жетишсиз?

Predicted-versus-true scatter графиктеринде аныктоо коэффициенти R² эсептелген. Бирок булак химиялык түр маанилеринин чоң бөлүгү күйбөгөн же толук күйгөн абалдарда бир маанинин айланасында топтоло аларын билдирет.

Мындай маалымат бөлүштүрүүсүндө модель кең мейкиндиктеги көптөгөн жеңил чекиттерди туура божомолдоп, реакция фронтундагы аз сандагы критикалык чекиттерди начар божомолдошу мүмкүн. R² ошентсе да өтө жогору чыгышы мүмкүн. Ошондуктан изилдөө R²ни ката талаалары, орточо ката жана максималдуу ката менен бирге чечмелейт.

M-1: SVD+ANN + AH1s DNS

M-1 моделдеринде окутуу жана тест маалымат топтомдору бир физикалык көйгөй классына таандык эки башка DNS. Бир progress variable айрыкча NO үчүн жетишсиз. NH₃ эки өлчөмдүү manifold менен кыйла жакшы кайра түзүлсө, NO үчүн үч өзгөрмө колдонуу байкаларлык жакшыртуу берет.

NNH тар реакция зонасында жайгашкандыктан эң татаал түрлөрдүн бири. Орточо ката төмөн болушу мүмкүн, бирок максималдуу ката олуттуу бойдон калышы мүмкүн.

Булак жалпысынан M-1 моделинде кеминде үч progress variable колдонулганда үч максаттуу түр күчтүү көрсөтүлө аларын көрсөтөт.

M-2: SVD+ANN + созулбаган flamelet гана

M-2 моделинин негизги көйгөйү — окутуу маалыматында созулуу таасирлеринин жоктугу. AH1sB тест жалынында ички туруксуздуктар жалын фронтун бырыштырат; бул бырыш жергиликтүү созулуу, ийрилик жана артыкчылыктуу диффузия таасирлерин жаратат.

NO бул таасирлерден күчтүү көз каранды болгондуктан, созулбаган бир өлчөмдүү жалындардан гана үйрөнүлгөн химиялык абал мейкиндиги тест DNSтеги NO жүрүм-турумун жетиштүү камтый алган эмес.

NH₃ үчүн натыйжалар кыйла жакшы. Булак созулуу таасири NH₃ жүрүм-турумунда экинчи даражада экенин жана созулбаган flamelet маалымат топтому гана бул реагент түрүн моделдөө үчүн жетиштүү болушу мүмкүн экенин билдирет.

M-3: SVD+ANN + созулган flameletтер

M-3 маалымат топтому M-2 моделине караганда байыраак; 450 созулган flamelet кошулган. Ошого карабай SVD+ANN натыйжалары күтүлгөн жакшыртууну көрсөткөн эмес жана булак айрым натыйжаларда M-2 модели M-3 моделинен жакшы болгонун билдирген.

Бул табылга абдан маанилүү: байыраак окутуу маалыматы автоматтык түрдө жакшыраак модель бербесин көрсөтөт. Авторлор бул учурда чектөө маалыматта гана эмес, SVD+ANN ыкмасынын progress-variable аныктоо формасында да экенин талкуулашат.

L-1: LNAE + AH1s DNS

L-1 — M-1 моделинин түз методологиялык аналогу; эки модель тең ошол эле AH1s окутуу маалыматын колдонот. Ошондуктан айырма негизинен модель архитектурасынын таасирин көрсөтөт.

LNAE эки progress variable менен үч максаттуу түрдү күчтүү кайра түзө алган. M-1 моделинде окшош сапат үчүн айрым түрлөрдө үч progress variable керек болгону эске алынса, LNAE кыйла компакттуу manifold түзгөнү көрүнөт.

Булак L-1 натыйжаларын кичи масштабдуу DNS ири масштабдуу AH1sB абал мейкиндигин көрсөтүү үчүн жетиштүү негизги маалымат камтыганына далил болгон жалпылоо катары баалайт.

L-2: LNAE + созулбаган flamelet

L-2 ошол эле созулбаган flamelet маалымат топтомун колдонгон M-2 моделине караганда жалпысынан ийгиликтүүрөөк. NNH үчүн байкаларлык жакшыртуу модель архитектурасынын таасирин көрсөтөт.

NO боюнча натыйжалар чектелүүрөөк. Мунун себеби модель гана эмес, окутуу маалыматы созулуу таасирлерин камтыбаганы. Ошондуктан булак L-2 үчүн NO натыйжасын “аралаш” деп классификациялаган.

NH₃ эң оңой түр жана эки же андан көп latent өзгөрмө менен жакшы кайра түзүлөт.

L-3: LNAE + созулган жана созулбаган flamelet

L-3 моделинде окутуу маалыматы созулуу таасирлерин камтыгандыктан, айрыкча NO реконструкциясы L-2 моделине салыштырмалуу жакшырган. Жогорку өлчөмдүү L-3 моделдери AH1s DNSте үйрөтүлгөн L-1 моделдеринин көрсөткүчүнө жакындаган.

Бул натыйжа изилдөөнүн маанилүү практикалык билдирүүлөрүнүн бири: кымбат DNS окутуу маалымат топтомунун ордуна туура даярдалган созулган flamelet китепканасы LNAE колдонулганда айрым максаттуу түрлөр үчүн ири масштабдуу DNS курам мейкиндигин жогорку тактык менен көрсөтө алат.

Бирок бул жыйынтык бардык химиялык түрлөр, бардык NH₃/H₂ аралашмалары жана бардык иш шарттары үчүн универсалдуу далилденген эмес. Тест бир гана номиналдык отун аралашмасы жана белгилүү термохимиялык шарттардагы AH1sB DNSте жүргүзүлгөн.

Булактагы 2-таблицанын сапаттык натыйжалар жыйынтыгы

Модель өлчөмү көбөйгөн сайын эмне болот?

Булактын Fig. 19 жана Fig. 20 талкуусунда эң ачык тенденция — progress-variable саны көбөйгөн сайын орточо реконструкция катасы алгач тез азаят. Бирок үч өзгөрмө чамасында көп модель ката түбүнө жакындайт.

Төртүнчү өзгөрмө көп учурда азыраак кошумча жакшыртуу берет же айрым түрлөрдө көрсөткүчтү начарлатышы мүмкүн. Авторлор муну эки мүмкүн болгон себеп менен түшүндүрүшөт:

• DNSте үйрөтүлгөн моделдерде кошумча progress variableлар химиялык абал менен алып келген жаңы корреляция акырындап азайышы мүмкүн.
• Flameletте үйрөтүлгөн жана окутуу катасы буга чейин эле өтө төмөн болгон моделдерде өлчөмдүн өсүшү тесттик жалпылоону жакшыртуунун ордуна overfittingге салым кошушу мүмкүн.

Ошондуктан оптималдуу manifold өлчөмү бир универсалдуу сан эмес. Ал түрдүн мейкиндиктик жана химиялык жүрүм-турумуна жана окутуу маалымат түзүлүшүнө көз каранды.

A-Priori жана A-Posteriori Тесттин Айырмасы Эмне?

A-priori тест үйрөнүлгөн модель алдын ала эсептелген AH1sB DNS абалдарын канчалык так кайра түзөрүн өлчөйт, ал эми a-posteriori тест моделди транспорт теңдемелеринин жана tabulated chemistry ичинде чыныгы чечүүчү агымына киргизет; бул изилдөөнүн a-posteriori бөлүгү тандалган эки latent өзгөрмөлүү L-1 модели үчүн гана жасалган алдын ала 1D жалын жана 2D сызыктуу туруктуулук тесттеринен турат.

A-posteriori колдонуу үчүн L-1 кантип өзгөртүлгөн?

A-priori натыйжаларында L-1 күчтүү көрсөткүч бергендиктен, a-posteriori тестте ушул модель тандалган. Эки latent өзгөрмөлүү жаңы LNAE үйрөтүлгөн.

Бул жаңы LNAE түрлөрдүн массалык үлүштөрүн гана эмес, CFD учурунда керек болгон түр булак мүчөлөрүн жана молекулалык диффузивдүүлүктөрдү да божомолдой тургандай кеңейтилген.

Мындан тышкары encoderге бардык химиялык түрлөрдү берүүнүн ордуна төмөнкү кичи топ колдонулган:

O₂, H₂O, NH₃, NO, NO₂ жана H₂.

Булак бул тандоо progress-variable талааларында жалын боюнча кичирээк мейкиндиктик градиенттерди түзүү жана транспорт теңдемелерине ылайыктуураак өзгөрмөлөрдү алуу максатын көздөй турганын билдирет.

2D lookup table кантип түзүлгөн?

Эки latent өзгөрмө түзгөн \(R^2\) мейкиндигинде бир калыптагы grid курулуп, жаңы LNAE ушул grid чекиттеринде бааланган. Ошентип түрлөр жана керектүү термохимиялык чоңдуктар эки progress variableнын функциясы катары таблицага киргизилген.

Бул таблица ANNди CFDнин ар бир уячасында кайра иштетүүнүн ордуна эсептелген C₁ жана C₂ маанилеринен алдын ала даярдалган химиялык маалыматка жетүүгө мүмкүндүк берет.

OpenFOAM негизиндеги a-posteriori чечүүчү

Tabulated L-1 модели изилдөө тобунун мурда башка контексттерде валидацияланган, OpenFOAM негизиндеги ички чечүүчүсүнө колдонулган.

Бир өлчөмдүү тест үчүн номиналдык шарттар дагы:

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

түрүндө сакталган. Эсептөө тору жалын калыңдыгы боюнча кеминде 20 finite volume камтыгандай тандалган.

1D a-posteriori натыйжасы

Tabulated L-1 моделинин температура, NH₃, NO жана NNH профилдери Canteraнын finite-rate чечими менен салыштырылган. Профилдер жалпысынан жакшы дал келген, NOнун post-flame аймагында кичине айырмачылыктар байкалган.

Булак ламинардык жалын ылдамдыгындагы жалпы a-posteriori катаны %3,6 деп билдирет.

Бул сан AH1sB эки өлчөмдүү ири масштабдуу DNSтин толук талаа реконструкция катасы эмес. Бир өлчөмдүү номиналдык ламинардык жалын ылдамдыгына тиешелүү өзүнчө a-posteriori көрсөткүч метрикасы.

2D сызыктуу туруктуулук тести

Ички туруксуз жалындарда түз 1D жалын профилин кайра түзүү гана жетишсиз. Кичине жалын фронту perturbationдары өсөбү же өспөйбү — муну да туура божомолдоо керек.

Бул максатта түз жалын фронтуна кичине амплитудалуу гармоникалык perturbationдар берилген жана ар бир толкун санынын өсүү ылдамдыгы көзөмөлдөнгөн. Натыйжа dispersion relation, башкача айтканда дисперсиялык байланыш \(\omega(k)\) катары берилет.

• k: perturbation толкун саны.
• ω: тиешелүү толкун санынын өсүү ылдамдыгы.

ω оң болгондо тиешелүү perturbation өсөт; жогору өсүү ылдамдыгы күчтүүрөөк сызыктуу туруксуздук тенденциясын билдирет.

L-1 модели төмөн толкун сандарында эталондук дисперсиялык байланышты туура ээрчиген, ал эми жогорку толкун сандарында жогору өсүү ылдамдыктарын чыгарган. Башкача айтканда, модель кичине толкун узундуктагы бузулууларды эталондук DNSке караганда көбүрөөк туруксуз деп божомолдогон.

Авторлор мындай жүрүм-турум башка өнүккөн tabulated chemistry моделдеринде да байкалганын жана жалпы дисперсиялык байланыш tabulated chemistry контекстинде кабыл алынарлык экенин белгилешет.

Изилдөө колдогон жана колдобогон жыйынтыктар

Изилдөөнүн күчтүү жактары

• Ошол эле чоң AH1sB тест маалымат топтомунда эки башка модель парадигмасы салыштырылган.
• Модель архитектурасы менен окутуу маалымат булагынын таасирин жарым-жартылай бөлүүгө болот.
• Ошол эле AH1s маалыматын колдонгон M-1/L-1 жуп ыкмаларды салыштыруу үчүн өзгөчө баалуу.
• Орточо ката гана эмес, scatter, мейкиндиктик ката талаасы, R² жана максималдуу ката жүрүм-турумдары чогуу талкууланган.
• NO, NH₃ жана NNH ар башка химиялык/мейкиндиктик жүрүм-туруму бар өкүл түрлөр катары тандалган.
• Созулган жана созулбаган flamelet окутуу маалыматтарынын жалпылоо айырмасы өзүнчө изилденген.
• A-priori модель баалоосу алдын ала a-posteriori CFD/tabulation тести менен толукталган.
• Эки latent өзгөрмөнү чыныгы транспорт теңдемелерине колдонуу көрсөтүлгөн.

Изилдөөнүн чектөөлөрү

• Негизги изилдөө толугу менен сандык моделдөө жана симуляция маалыматтарына таянат; эксперименттик жалын өлчөөсү жок.
• Тест шарты бир номиналдык NH₃/H₂ отун аралашмасы жана φ = 0,5 борбордук шарттын айланасындагы белгилүү көйгөйлөр үй-бүлөсү.
• Авторлордун негизги натыйжа көрсөтүүсү бардык 25 түргө эмес, NO, NH₃ жана NNHге багытталган.
• Flamelet китепканасы φ = 0,45–0,60 аралыгы менен чектелген.
• Созулган flamelet саны 450, созулбаган flamelet саны 30; башка китепкана тыгыздыктары системалуу салыштырылган эмес.
• Негизги PDF KL-divergence үлгүлөөсүнөн кийин сакталган так окутуу маалымат чекиттеринин санын билдирбейт.
• Негизги PDF ар бир модель үчүн Random Search аягында тандалган так жашыруун катмар/нейрон түзүлүшүн бербейт.
• Негизги PDF окутууда колдонулган loss функциясынын математикалык түрүн ачык көрсөтпөйт.
• Натыйжа графиктеринин деталдуу сандык ката таблицалары Supplementary Materialга калтырылган.
• R² түр маанилери бир абалдын айланасында топтолгон учурларда адаштырышы мүмкүн.
• NNH сыяктуу локалдашкан аралык түрлөрдө орточо ката физикалык жактан критикалык максималдуу катаны жашырышы мүмкүн.
• A-posteriori бөлүк L-1 моделине гана колдонулган; башка беш моделдин CFD ичиндеги көрсөткүчү сыналган эмес.
• A-posteriori баалоо алдын ала мүнөздө.
• 2D a-posteriori тест толук сызыктуу эмес ири масштабдуу AH1sB таралуу симуляциясы эмес, сызыктуу туруктуулук талдоосу.
• L-1 жогорку толкун сандарында эталонго караганда жогору өсүү ылдамдыгын жана көбүрөөк туруксуздукту божомолдойт.
• Турбуленттүүлүк–химия өз ара аракети бул изилдөөнүн a-posteriori камтуусуна киргизилген эмес.

Келечектеги изилдөө багыттары

Авторлор келечекте a-posteriori каталарды системалуураак изилдөөнү жана моделди Large Eddy Simulation (LES) ичинде турбуленттүүлүк–химия өз ара аракетин моделдөө менен бириктирүүнү сунушташат.

Бул келечектеги максат азыркы изилдөөдө турбуленттүү өнөр жай күйүүсү ийгиликтүү симуляцияланган дегенди билдирбейт. Азыркы макала алгач төмөн өлчөмдүү химиялык manifold түзүүгө болорун жана анын чектелген a-posteriori колдонулушун көрсөтөт.

Изилдөөнүн негизги илимий жыйынтыгы

Изилдөөнүн эң маанилүү жыйынтыгын “жасалма интеллект жалынды туура божомолдоду” деген жалпы сүйлөмгө кыскартпоо керек. Изилдөөнүн негизги салымы — кайсы окутуу маалыматы кайсы кыскартылган модель архитектурасы менен бириккенде термодиффузиялык жактан туруксуз NH₃/H₂ жалынынын химиялык абал мейкиндигине жалпылана аларын салыштырмалуу көрсөтүү.

Кичи масштабдуу DNS эң күчтүү окутуу маалыматы болгон. Бирок LNAE созулган flameletтерден үйрөнгөндө кымбат DNS окутуусуз эле ири масштабдуу DNSтеги негизги химиялык түрлөрдүн жүрүм-турумун күчтүү кайра түзө алган.

Бул табылга эсептөө чыгымы жогору кеңири химияны азыраак progress variable аркылуу tabulated chemistry түрүндө көрсөтүү жагынан маанилүү. Бирок ыкма дагы эле физикалык окутуу маалыматына, туура flamelet абал мейкиндигине, ылайыктуу progress-variable аныктамасына жана a-posteriori валидацияга көз каранды.

Булак жана Ыкма Жөнүндө Эскертүү

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

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

Жооптуу автор: S. Bottari. Булак corresponding-author электрондук почта дарегин stefano.bottari@uniroma1.it деп берет.

Тең салым: Булакта тең биринчи авторлук же тең салым тууралуу билдирүү көрсөтүлгөн эмес.

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

Журнал: Fuel.

Басмакана: Elsevier Ltd.

Булак түрү: Full length article; маалыматка негизделген кыскартылган күйүү химиясын моделдөө жана DNS/flamelet негизиндеги сандык изилдөө.

Библиографиялык жазуу: Fuel 405, Part D (2026), Article 136805.

DOI: 10.1016/j.fuel.2025.136805

Расмий шилтеме: https://doi.org/10.1016/j.fuel.2025.136805

Жарыялоо даталары: Received: 23 May 2025; revised: 7 August 2025; accepted: 8 September 2025; available online: 12 September 2025. ScienceDirect том жазуусу Volume 405, Part D үчүн 1 February 2026 датасын көрсөтөт.

Рецензия абалы: Fuel ичинде кабыл алынган жана жарыяланган толук көлөмдүү илимий макала.

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

Автордук укук/визуалдык эскертүү: ND шартына байланыштуу булак Fig. 1–22 сүрөттөрүнүн визуалдык түзүлүшү ылайыкташтырылып кайра чыгарылган эмес. Макаланын ичиндеги метод схемасы булакта ачык берилген фактылык маалымат жана байланыштар гана колдонулуп, көз карандысыз Verianla композициясы катары түзүлгөн.

Preprint абалы: Каралган булак жарыяланган журнал макаласы; булактын ичинде өзүнчө preprint идентификатору көрсөтүлгөн эмес.

DNS негизги шарттары: %50 NH₃ + %50 H₂ көлөмдүк отун аралашмасы; φ = 0,5; T_u = 500 K; атмосфералык басым; 25 түр / 110 реакциялуу кинетикалык механизм; AH1s = 10λ_c; AH1sB = 30λ_c; λ_c = 2,63 mm.

DNS программасы: Ички өзгөртүлгөн Nek5000; реакциялуу агым үчүн жогорку тартиптеги splitting; катуу химия төмөнкү системасы үчүн CVODE.

Flamelet өндүрүү: Cantera; 30 созулбаган 1D flamelet жана 450 созулган premixed counterflow flamelet.

Машиналык үйрөнүү программасы: Keras жана TensorFlow негизиндеги Python тиркемеси.

Модель үй-бүлөлөрү: SVD+ANN үчүн M-1/M-2/M-3; LNAE үчүн L-1/L-2/L-3.

Гиперпараметр издөө: Random Search; 1–10 жашыруун катмар, ар бир катмарда 5–505 нейрон жана 10⁻⁴–10⁻² үйрөнүү ылдамдыгы аралыктары булакта көрсөтүлгөн.

Үлгүлөө: Окутуу маалыматын үлгүлөө үлгүлөнгөн жана толук маалымат топтомдорунун ортосундагы Kullback–Leibler divergence айырмасын азайтууга негизделет. Негизги PDF акыркы үлгү маалымат чекиттеринин санын ачык билдирбейт.

Масштабдоо: Өзгөрмөлөр окутуу маалыматынын минимум жана максимум маанилери менен [0,1] аралыгына масштабдалган; тест маалыматы үчүн да ошол эле окутуу min/max маанилери колдонулган.

Негизги баалоо түрлөрү: predicted-versus-true scatter графиктери жана R², мейкиндиктик ката талаалары, орточо ката, максималдуу ката жана 6-теңдемедеги бириктирилген абсолюттук/салыштырмалуу пайыздык ката метрикасы.

A-posteriori модель: Эки latent өзгөрмөлүү L-1. Модель OpenFOAM негизиндеги ички tabulated chemistry чечүүчүсүндө колдонулган.

A-posteriori 1D натыйжасы: Ламинардык жалын ылдамдыгында %3,6 ката билдирилген.

A-posteriori 2D чеги: Тест сызыктуу туруктуулук жана dispersion relation талдоосу; толук сызыктуу эмес ири масштабдуу AH1sB жалын таралуусунун a-posteriori реконструкциясы эмес.

CRediT салымдары: 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.

Каржылоо: Clean Hydrogen Partnership, grant agreement No. 101137955 — ACHIEVE; программа European Union Horizon Europe, Hydrogen Europe жана Hydrogen Europe Research каржылоосун алат. Изилдөө ошондой эле European Union – NextGenerationEU тарабынан каржыланган ICSC, Centro Nazionale di Ricerca in High-Performance Computing, Big Data and Quantum Computing тарабынан колдоого алынган.

Кызыкчылыктардын кагылышы: Авторлор изилдөөгө таасир эте турган белгилүү атаандаш финансылык кызыкчылык же жеке мамиле жок экенин билдиришкен.

Маалыматтардын жеткиликтүүлүгү: Булак “Data will be made available upon request” деген билдирүүнү берет.

Кайра өндүрүлүү чеги: Негизги PDF Random Search аралыктарын түшүндүргөнү менен, ар бир модель үчүн тандалган акыркы тармак архитектурасын, окутуу epoch/batch деталдарын, KL үлгүлөөсүнөн кийинки так маалымат чекиттеринин санын жана окутуу loss функциясынын ачык математикалык аныктамасын бербейт. Сандык ката таблицаларынын маанилүү бөлүгү Supplementary Materialга багытталган.

Негизги чечмелөө чеги: Изилдөө маалыматка негизделген химияны кыскартуу жана симуляциялык изилдөө. Натыйжалар реалдуу газ турбинасы, кыймылдаткыч, күйгүч же өнөр жайлык NH₃/H₂ күйүү системасынын эмиссия, коопсуздук же көрсөткүч валидациясы эмес.