Ma’lumotlarga asoslangan qisqartirilgan alanga tarkibi modeli batafsil yonish kimyosida ko‘p sonli kimyoviy turlar bilan tavsiflanadigan yuqori o‘lchamli tarkib fazosini oz sonli mustaqil progress variable bilan ifodalashga qaratilgan modellashtirish yondashuvidir. Ushbu tadqiqotda kambag‘al, oldindan aralashtirilgan va termodiffuzion jihatdan ichki beqarorlik ko‘rsatadigan %50 NH₃ + %50 H₂/havo alangasi uchun ikki usul taqqoslangan: Singular Value Decomposition + Artificial Neural Network (SVD+ANN) va Linear–Nonlinear Autoencoder (LNAE). Modellar uchta alohida ma’lumot manbasida o‘qitilgan va o‘qitishda ko‘rilmagan katta miqyosli Direct Numerical Simulation (DNS) ma’lumotlar to‘plamida sinovdan o‘tkazilgan.

Manbada ikkita DNS mavjud. AH1s deb ataladigan kichikroq sohadagi DNSning yon kengligi 10λ_c, AH1sBning kengligi 30λ_c; bunda kesish to‘lqin uzunligi λ_c = 2,63 mm. Har ikkala DNS hajm bo‘yicha %50 NH₃ va %50 H₂, ekvivalentlik nisbati φ = 0,5, yonmagan aralashma harorati T_u = 500 K va atmosfera bosimi sharoitidadir. Batafsil kimyo mexanizmi 25 ta kimyoviy tur va 110 ta reaksiyani o‘z ichiga oladi. Kichik miqyosli AH1s o‘qitish ma’lumoti sifatida, kengroq termokimyoviy holat fazosini o‘z ichiga olgan AH1sB esa ko‘rilmagan test ma’lumotlar to‘plami sifatida ishlatilgan.

Uchta o‘qitish ma’lumot manbasi taqqoslangan: AH1s DNS; φ = 0,45–0,60 oralig‘ida hosil qilingan 30 ta cho‘zilmagan bir o‘lchamli flamelet; va ayni ekvivalentlik nisbati oralig‘ida 30 ta cho‘zilmagan flamelet bilan 450 ta cho‘zilgan qarshi-oqim flameletining birikmasi. Modellarning rekonstruksiya muvaffaqiyati ayniqsa uchta vakil kimyoviy tur orqali muhokama qilingan: ifloslantiruvchi hosil bo‘lishini ifodalovchi NO, reaksiyaga kiruvchi yoqilg‘i komponentini ifodalovchi NH₃ va faqat tor reaksiya zonasida yuqori qiymatga ega oraliq tur NNH.

Asosiy natija shuki, model arxitekturasi va o‘qitish ma’lumotlari birgalikda hal qiluvchi hisoblanadi. Kichik DNSda o‘qitilgan M-1 va L-1 modellari umuman eng kuchli natijalarni bergan. Ayni AH1s o‘qitish ma’lumoti taqqoslanganda LNAE asosidagi L-1, SVD+ANN asosidagi M-1 modeliga nisbatan maqsad turlar tarkib fazosini kamroq progress variable bilan yaxshiroq qayta tiklay olgan. Faqat cho‘zilmagan flameletlar NO va NNH uchun yetarli bo‘lmagan, biroq NH₃ni yaxshi ifodalagan. Cho‘zilgan flameletlar LNAE bilan birga ishlatilganda, ayniqsa NO rekonstruksiyasi sezilarli yaxshilangan.

Manba natijalari “ko‘proq o‘zgaruvchi har doim yaxshiroq model” degani emas. Xato qiymatlari odatda bitta progress variabledan uchtaga o‘tilganda kamayadi; ko‘p hollarda uchinchi o‘zgaruvchidan keyin qo‘shimcha yutuq kichrayadi. Ayrim turlarda to‘rt o‘zgaruvchili modellar keragidan ortiq manifold o‘lchami sabab pastroq o‘lchamli muqobillaridan yaxshiroq natija bermagan.

Tadqiqotning a-posteriori qismi dastlabki xususiyatga ega. A-priori tahlilda eng kuchli modellardan biri bo‘lgan, AH1s DNSda o‘qitilgan ikki latent o‘zgaruvchili L-1 modeli tabulated chemistry doirasiga ko‘chirilgan. Bir o‘lchamli cho‘zilmagan alanga testida laminar alanga tezligida %3,6 xato xabar qilingan. Ikki o‘lchamli chiziqli barqarorlik tahlilida model past to‘lqin sonlaridagi referens o‘sish tezliklarini yaxshi qayta hosil qilgan, yuqori to‘lqin sonlarida esa alangani yanada beqaror deb bashorat qilgan. Shu sababli tadqiqot to‘liq miqyosli turbina, gorelka yoki haqiqiy sanoat NH₃/H₂ yonish tizimini validatsiya qilish emas.

Ammiak/vodorod alangalarida muammo nimada?

Ammiak molekulasida uglerod bo‘lmagan va vodorodni tashish/saqlash nuqtai nazaridan qiziqish uyg‘otadigan energiya tashuvchisidir. Biroq NH₃ni bevosita yoqishda past reaktivlik va azot oksidlari hosil bo‘lishi kabi muhim qiyinchiliklar mavjud. Ammiakka vodorod qo‘shish yonish reaktivligini oshirishi mumkin; ammo ayniqsa kambag‘al aralashmalarda alanganing ichki beqarorliklarini ham kuchaytirishi mumkin.

Manba ikki asosiy ichki alanga beqarorligi mexanizmini muhokama qiladi. Birinchisi gidrodinamik Darrieus–Landau (DL) mexanizmidir. Ikkinchisi esa issiqlik va kimyoviy turlarning molekulyar diffuziya tezliklari o‘rtasidagi nomutanosiblik bilan bog‘liq termodiffuzion (thermodiffusive, TD) mexanizmdir.

Kambag‘al vodorodli aralashmalarda boshqaruvchi reaktantning effektiv Lewis soni kritik qiymatdan pastga tushganda termodiffuzion mexanizm beqarorlashtiruvchi xatti-harakat ko‘rsatishi mumkin. Bunday beqarorliklar alanga frontining tekis sirt bo‘lib siljishi o‘rniga burishishiga, hujayraviy tuzilmalar hosil bo‘lishiga, mahalliy aralashma nisbatlarining o‘zgarishiga va NO kabi turlar hosil bo‘ladigan zonalarning murakkablashishiga olib kelishi mumkin.

Shuning uchun muammo faqat “alanga harorati qancha?” degan savoldan iborat emas. Har bir fazoviy nuqtada o‘nlab kimyoviy turlarning massa ulushi mavjud va bu kimyoviy holatlar bir-biri bilan kuchli, nochiziqli bog‘lanishlarga ega. Batafsil kimyoni har bir CFD katagida bevosita yechish hisoblash xarajatini jiddiy oshiradi.

Past o‘lchamli manifold nima?

Tadqiqotning asosiy farazi shuki, 25 turdan iborat batafsil kimyoviy tarkib fazosining barcha erkinlik darajalari mustaqil emas. Kimyoviy holatlar yuqori o‘lchamli fazoda joylashgan bo‘lsa-da, fizik jihatdan erishiladigan holatlar pastroq o‘lchamli sirt yoki low-dimensional manifold (LDM) ustida to‘planishi kutiladi.

Bunday holda barcha turlarni mustaqil boshqaruv o‘zgaruvchisi sifatida tashish o‘rniga oz sonli progress variable, ya’ni rivojlanish o‘zgaruvchisidan foydalanish mumkin. Progress variablelar kimyoviy holatning past o‘lchamli koordinatalari kabi ishlaydi.

Tadqiqot savoli shu nuqtada paydo bo‘ladi: katta miqyosli va termodiffuzion jihatdan beqaror alanganing kimyoviy holat fazosini yetarlicha aniq ifodalash uchun nechta progress variable kerak va bu o‘zgaruvchilarni o‘rganish uchun qanchalik boy o‘qitish ma’lumotidan foydalanish lozim?

Progress Variable Nima va Ushbu Tadqiqotda Nega Ishlatiladi?

Progress variable ko‘plab kimyoviy tur massa ulushlarini muayyan og‘irliklar bilan birlashtirish orqali hosil qilinadigan va yuqori o‘lchamli yonish tarkib fazosini kamroq koordinatalar bilan tavsiflashga xizmat qiladigan qisqartirilgan o‘zgaruvchidir; ushbu tadqiqotdagi maqsad modellashtirilayotgan 23 tur xatti-harakatini 1–4 progress variabledan qayta tiklashdir.

AH1s va AH1sB DNS ma’lumotlar to‘plamlari

Tadqiqotda ikkita laminar, statistik jihatdan tekis, biroq ichki beqaror ikki o‘lchamli DNS ishlatilgan. Har ikkalasida:

• yoqilg‘i hajm bo‘yicha %50 NH₃ + %50 H₂,
• havo bilan oldindan aralashtirilgan,
• ekvivalentlik nisbati φ = 0,5,
• yonmagan gaz harorati T_u = 500 K,
• bosim atmosfera bosimi,
• Gotama va hammualliflarning 25 tur / 110 reaksiyali batafsil kinetik mexanizmi ishlatilgan.

Ikki simulyatsiya orasidagi asosiy farq yon soha kengligidir. AH1s uchun L_x = 10λ_c, AH1sB uchun L_x = 30λ_c. Kesish to‘lqin uzunligi λ_c = 2,63 mm bo‘lgani uchun fizik yon kengliklar taxminan 26,3 mm va 78,9 mm. Oxirgi ikki qiymat manba parametrlarining oddiy ko‘paytmasidir; yangi simulyatsiya natijasi emas.

Manba taxminan 25λ_c va undan kengroq sohalarda alanga frontining xarakterli burishish spektri erkinroq rivojlana olishini muhokama qiladi. Shu sababli AH1sB kattaroq miqyosdagi beqarorlik tuzilmalarini va boyroq termokimyoviy holatlarni o‘z ichiga olgan test fazosi sifatida tanlangan.

DNS qanday hisoblangan?

DNSlar tadqiqot guruhining o‘zgartirilgan Nek5000 yechuvchisi bilan hisoblangan. Reaksiyali oqimlar uchun yuqori tartibli splitting yondashuvi ishlatilgan va qattiq kimyoviy oddiy differensial tenglamalar tizimi CVODE yordamida implicit tarzda integrallangan.

Manba spektral element tartibini N = 10 deb beradi. Bu aniqlik laminar termik alanga qalinligi ichida taxminan 20 ta grid nuqtasi mavjud bo‘lishini ta’minlagan. Bu ma’lumot muhim; DNS nomi faqat model atamasidan emas, alanga tuzilmasining mayda miqyoslari bevosita yechilishidan kelib chiqadi.

Flamelet o‘qitish kutubxonalari

DNSdan tashqari ikki xil bir o‘lchamli flamelet o‘qitish guruhi yaratilgan:

Flameletlar Cantera yordamida hosil qilingan. Cho‘zilgan flameletlar premixed counterflow flame geometriyasidadir. Ekvivalentlik nisbati oralig‘ining 0,45–0,60 qilib tanlanishiga sabab DNS ichida selektiv H₂ diffuziyasi va alanga egriligi tufayli mahalliy ekvivalentlik nisbati keng diapazonda o‘zgarishidir.

Manba DNSning ayrim hududlarda φ = 0,45 dan biroz pastga tushishini ko‘rsatadi. Biroq flamelet kutubxonasini yanada kambag‘al qiymatlarga kengaytirish test natijalarida sezilarli yaxshilanish bermagani aniqlangan va quyi chegara 0,45 sifatida saqlangan.

O‘lchamsiz harorat θ

Formula nimani hisoblaydi? Mahalliy haroratni ayni sharoitdagi bir o‘lchamli erkin tarqaluvchi alanganing yonmagan va yongan holatlari orasida o‘lchamsizlantiradi.

• T: ko‘rib chiqilayotgan mahalliy harorat.
• T_u^1D: bir o‘lchamli referens alanganing yonmagan gaz harorati.
• T_b^1D: bir o‘lchamli referens alanganing yongan gaz harorati.
• θ: o‘lchamsiz harorat.

Mahraj referens 1D alangadagi yongan va yonmagan haroratlar orasidagi umumiy harorat oshishini bildiradi. Surat esa mahalliy holat yonmagan haroratdan qancha yuqoriga ko‘tarilganini ko‘rsatadi. Shu tariqa turli mahalliy holatlarni umumiy normallangan harorat koordinatasida taqqoslash mumkin.

Model pipeline’i

SVD nima?

Singular Value Decomposition (SVD) ma’lumot matritsasini ortonormal yo‘nalishlar va ularning og‘irliklarini ifodalovchi singulyar qiymatlarga ajratadigan chiziqli algebra usulidir. Tadqiqotda kimyoviy turlar massa ulushlaridan tashkil topgan ma’lumot matritsasidagi chiziqli korrelyatsiya tuzilishini topish va progress variablelarni ierarxik tarzda tartiblash uchun ishlatilgan.

Formula nimani ifodalaydi? Manbada X kimyoviy tarkib ma’lumot matritsasi; U va V ortonormal ustunlarga ega unitary matritsalardir. Σ manfiy bo‘lmagan singulyar qiymatlarni o‘z ichiga oluvchi diagonal tuzilmadir. Yulduzcha belgisi kompleks qo‘shma transpozitsiyani ifodalaydi; haqiqiy qiymatli ma’lumotlarda odatiy transpozitsiya bilan bir xil.

Kimyoviy turlarning massa ulushlari har bir qator/ustun yo‘nalishi ma’lumot holati va turlarni ifodalaydigan tarzda X matritsasiga joylashtiriladi. SVD tarkib fazosidagi eng kuchli chiziqli korrelyatsiya yo‘nalishlarini topadi. Bu yo‘nalishlarning og‘irliklari progress variablelarni aniqlashda ishlatiladi.

• C_j: j-chi progress variable.
• Y_i: i-chi kimyoviy turning massa ulushi.
• a_i,j: SVDdan olingan tur og‘irligi.

SVD+ANN yondashuvida bu jarayon ikki bosqichli: avval progress variablelar SVD orqali aniqlanadi; so‘ng ANN ushbu past o‘lchamli koordinatalardan turlarning massa ulushlarini qayta tiklashni o‘rganadi.

SVD+ANN tarmog‘i qanday optimallashtirilgan?

Manba ANN arxitekturasi har bir o‘qitish holati uchun Random Search yordamida optimallashtirilganini bildiradi. Qidirilgan giperparametr oraliqlari quyidagicha:

ANN 23 ta kimyoviy turni qayta tiklaydi; manba He va Arni model chiqishidan chiqarib tashlagan. Asosiy PDF har bir M-1/M-2/M-3 tarmog‘i uchun Random Search yakunida tanlangan aniq qatlam va neyron sonlarini ochiq ko‘rsatmaydi.

Ma’lumotlarni namunalash va masshtablash

O‘qitishni tezlashtirish uchun to‘liq o‘qitish ma’lumotlar to‘plamidan namunalar tanlangan. Namunalash namunalangan ma’lumot bilan to‘liq o‘qitish ma’lumoti o‘rtasidagi Kullback–Leibler divergence farqini kamaytirishga mo‘ljallangan. KL divergence ikki ehtimollik taqsimoti bir-biridan qanchalik farq qilishini o‘lchaydigan axborot-nazariy kattalikdir.

Manba asosiy PDFda namunalash yakunida har bir o‘qitish to‘plamida nechta ma’lumot nuqtasi saqlanganini aniq bildirmaydi. Shu sababli Verianla yangi namuna sonini yaratmaydi.

ANN o‘qitishidan oldin har bir o‘zgaruvchi [0,1] oralig‘iga masshtablangan:

Formula nimani hisoblaydi? Har bir kimyoviy tur yoki progress variable qiymatini o‘qitish ma’lumotlar to‘plamidagi minimum va maksimum qiymatlariga ko‘ra 0 bilan 1 oralig‘iga o‘tkazadi.

• X_i,j: i-chi o‘zgaruvchining j-chi ma’lumot nuqtasidagi asl qiymati.
• min(X_i): i-chi o‘zgaruvchining o‘qitish to‘plamidagi minimumi.
• max(X_i): i-chi o‘zgaruvchining o‘qitish to‘plamidagi maksimumi.
• X_i,j^*: masshtablangan qiymat.

Test ma’lumotlar to‘plami mustaqil ravishda o‘z minimum va maksimumlari bilan masshtablanmagan. AH1sB test ma’lumoti tegishli o‘qitish to‘plamining min/max qiymatlaridan foydalanib masshtablangan. Bu farq haqiqiy umumlashtirishni baholash nuqtai nazaridan muhim; masshtab parametrlari test ma’lumotidan o‘rganilmagan.

LNAE nima?

Linear–Nonlinear Autoencoder (LNAE) kirish kimyoviy turlarini past o‘lchamli bottleneck qatlamiga siqib, so‘ng nochiziqli decoder yordamida maqsad kimyoviy tarkibni qayta tiklaydigan sun’iy neyron tarmoq arxitekturasidir.

Ushbu tadqiqotdagi bottleneck qatlamida 1–4 ta neyron mavjud. Har bir neyron bitta progress variablega mos keladi. Bottleneck qatlamining aktivatsiyasi chiziqli va bias qiymati nol qilib saqlangan. Bu tanlov progress variablelarning kirish turlarining chiziqli kombinatsiyasi sifatida qolishini hamda SVD progress variablelari bilan fizik/matematik jihatdan bevosita taqqoslanishini ta’minlaydi.

Decoder qismida 1–10 ta yashirin qatlam bo‘lishi mumkin; yashirin qatlamlarda sigmoid, yakuniy chiqish qatlamida chiziqli aktivatsiya ishlatilgan. Decoderning optimal neyron tuzilishi ham Random Search orqali tanlangan.

LNAEning SVD+ANNdan asosiy farqi progress variablelar ta’rifini alohida chiziqli algebra bosqichida qotirib qo‘ymasligidir. Bottleneck og‘irliklari va turlarni qayta tiklaydigan decoder ayni o‘qitish maqsadi ichida birgalikda optimallashtiriladi.

LNAE Nega SVD+ANNdan Muvaffaqiyatliroq Bo‘ldi?

LNAE progress variablelarni faqat barcha kimyoviy turlar o‘rtasidagi eng kuchli chiziqli korrelyatsiyalarni ifodalash uchun tanlash o‘rniga, maqsad turlar rekonstruksiya xatosini kamaytirish maqsadida decoder bilan birga optimallashtirgani sababli ushbu tadqiqotda ayni o‘qitish ma’lumotlar to‘plami qo‘llanganda SVD+ANNga qaraganda umuman pastroq rekonstruksiya xatolari va kamroq talab qilinadigan manifold o‘lchamini ko‘rsatgan.

Nega birdan to‘rttagacha progress variable sinab ko‘rilgan?

Manba yuqori chegarani to‘rtta progress variable deb belgilagan. Buning ikki sababi bor: o‘xshash beqaror alangalar uchun uchta progress variable yetarli bo‘lishi mumkinligini ko‘rsatgan oldingi tadqiqotlar va tabulated chemistry qo‘llanmalarida ancha ko‘p boshqaruv o‘zgaruvchisi odatda amaliy emasligi.

Manifold o‘lchami oshgani sari har bir qo‘shimcha o‘zgaruvchi yangi ma’lumot tashishi mumkin; biroq CFDda har bir progress variable uchun bitta transport tenglamasi yoki jadval o‘lchami qo‘shilishi kerak. Shuning uchun modellashtirish maqsadi faqat eng past rekonstruksiya xatosi emas, balki imkon qadar eng past o‘lchamda yetarli aniqlikka erishishdir.

Tabulated chemistry bilan bog‘lanish

Tadqiqotning a-priori modellari CFDda bevosita ishlatilmasa ham, progress variablelarning ta’rifi ularni Flamelet Generated Manifold kabi tabulated chemistry doiralariga ko‘chirishga mos keladi.

Bitta progress variable C_j uchun manba transport tenglamasini quyidagicha beradi:

• ρ: zichlik.
• C_j: j-chi progress variable.
• u: tezlik maydoni.
• J_Cj: progress variablega tegishli diffuziv oqim.
• S_Cj: kimyoviy manba hadi.
• N_C: tashiladigan progress variablelar soni.

Tenglamaning chap tomoni vaqt bo‘yicha o‘zgarish va konvektiv tashishni; o‘ng tomoni diffuziya hamda kimyoviy hosil bo‘lish/iste’mol ta’sirini ifodalaydi.

Progress variablelar kimyoviy turlar massa ulushlarining chiziqli kombinatsiyasi bo‘lgani sabab manba hadlari ham tur manba hadlarini ayni og‘irliklar bilan birlashtirish orqali yozilishi mumkin:

Bu yerda \(\dot{\omega}_i\), i-chi kimyoviy turning reaksiya manba hadidir. Shu tariqa CFD davomida barcha tur tenglamalarini alohida yechish o‘rniga kamroq sonli progress-variable tenglamalari tashilishi mumkin.

Turlarning massa ulushlari keyin progress variablelardan funksiya yoki jadval orqali qayta tiklanadi:

Bu tenglama batafsil kimyo butunlay yo‘qolganini anglatmaydi. Batafsil kimyodan o‘rganilgan bog‘lanish past o‘lchamli progress-variable fazosiga siqilgan holda saqlanadi va ish vaqtida tur qiymatlari shu past o‘lchamli tasvir orqali qayta olinadi.

Tadqiqot Usuli va Natijalari

Olti modelning nomlanishi

Nega NO, NH₃ va NNH tanlangan?

Tarmoqlarning chiqishi faqat uch turdan iborat emas; modellar kinetik mexanizmdagi ko‘plab turlarni qayta tiklaydi. Maqolada natijalar taqdimoti uchta vakil turga qaratilgan.

• NO: ammiak/vodorod yonishida muhim ifloslantiruvchi tur bo‘lib, sekin hosil bo‘ladigan kimyoviy mahsulot xatti-harakatini ifodalaydi.
• NH₃: asosiy reaktantlardan biri va reaksiya zonasi bo‘ylab sarflanish xatti-harakatini ifodalaydi.
• NNH: faqat juda tor reaksiya qatlamida muhim bo‘ladigan kimyoviy oraliq tur bo‘lib, rekonstruksiya uchun qiyin sinov yaratadi.

NNHning fazoning katta qismida nol yoki nolga juda yaqin bo‘lishi samaradorlik metrikalarini talqin qilishni qiyinlashtiradi. O‘rtacha xato past ko‘rinsa ham, tor reaksiya zonasidagi katta xato fizik jihatdan muhim bo‘lishi mumkin.

Xato metrikasi

Formula nimani hisoblaydi? Har bir test grid nuqtasida model bilan referens o‘rtasidagi farqni ikki ko‘rinishda hisoblaydi va kichigini xato qiymati sifatida tanlaydi.

Birinchi had [0,1] masshtabdagi qiymatlar ustidagi mutlaq farqni foiz masshtabiga o‘tkazadi. Ikkinchi had klassik nisbiy foiz xatosidir.

Bu ikki haddan minimumni tanlash maqsadi juda kichik haqiqiy qiymatlarda nisbiy xato maxraji kichraygani sabab yuzlab yoki minglab foizlik sun’iy xatolar yuzaga kelishining oldini olishdir. Ayniqsa alanganing katta qismida nolga yaqin bo‘lgan NNH kabi turlarda bu dizayn muhim.

QoI quantity of interest, ya’ni modellashtirilayotgan kattalikdir. Tadqiqot natijalari taqdimotida bu kattalik ko‘pincha masshtablangan NO, NH₃ yoki NNH massa ulushidir.

R² nega o‘zi yetarli emas?

Predicted-versus-true scatter grafiklarida determinatsiya koeffitsiyenti R² hisoblangan. Biroq manba kimyoviy tur qiymatlarining katta qismi yonmagan yoki to‘liq yongan holatlarda bitta qiymat atrofida to‘planishi mumkinligini qayd etadi.

Bunday ma’lumot taqsimotida model keng fazodagi ko‘p sonli oson nuqtalarni to‘g‘ri bashorat qilib, reaksiya frontidagi kam sonli kritik nuqtalarni yomon bashorat qilishi mumkin. R² baribir juda yuqori chiqishi mumkin. Shu sababli tadqiqot R²ni xato maydonlari, o‘rtacha xato va maksimal xato bilan birga talqin qiladi.

M-1: SVD+ANN + AH1s DNS

M-1 modellarida o‘qitish va test ma’lumotlar to‘plami bir xil fizik muammo sinfiga mansub ikki xil DNSdir. Bitta progress variable ayniqsa NO uchun yetarli emas. NH₃ ikki o‘lchamli manifold bilan ancha yaxshi qayta tiklanadi, NO uchun esa uch o‘zgaruvchi ishlatilishi sezilarli yaxshilanish beradi.

NNH tor reaksiya zonasida bo‘lgani sabab eng qiyin turlardan biridir. O‘rtacha xato past bo‘lishi mumkin, biroq maksimal xato muhimligicha qolishi mumkin.

Manba umuman M-1 modelida kamida uchta progress variable ishlatilganda uchta maqsad turning kuchli tarzda ifodalanishi mumkinligini ko‘rsatadi.

M-2: SVD+ANN + faqat cho‘zilmagan flamelet

M-2 modelining asosiy muammosi o‘qitish ma’lumotida cho‘zilish ta’sirlarining yo‘qligidir. AH1sB test alangasida ichki beqarorliklar alanga frontini burishtiradi; bu burishish mahalliy cho‘zilish, egrilik va selektiv diffuziya ta’sirlarini hosil qiladi.

NO bu ta’sirlardan kuchli ta’sirlangani sabab faqat cho‘zilmagan bir o‘lchamli alangalardan o‘rganilgan kimyoviy holat fazosi test DNSdagi NO xatti-harakatini yetarlicha qamrab olmagan.

NH₃ uchun natijalar ancha yaxshi. Manba cho‘zilish ta’siri NH₃ xatti-harakatida ikkilamchi ekanini va faqat cho‘zilmagan flamelet ma’lumotlar to‘plami ushbu reaktant turni modellashtirish uchun yetarli bo‘lishi mumkinligini bildiradi.

M-3: SVD+ANN + cho‘zilgan flameletlar

M-3 ma’lumotlar to‘plami M-2 modelidan boyroq; unga 450 ta cho‘zilgan flamelet qo‘shilgan. Shunga qaramay SVD+ANN natijalari kutilgan yaxshilanishni ko‘rsatmagan va manba ayrim natijalarda M-2 M-3 modelidan yaxshiroq bo‘lganini bildirgan.

Bu topilma juda muhim: boyroq o‘qitish ma’lumoti avtomatik ravishda yaxshiroq model bermasligini ko‘rsatadi. Mualliflar bu holatda cheklov faqat ma’lumotda emas, SVD+ANN usulining progress-variable ta’riflash shaklida ham ekanini muhokama qiladi.

L-1: LNAE + AH1s DNS

L-1 bevosita M-1 modelining metodologik muqobilidir; ikki model ham ayni AH1s o‘qitish ma’lumotidan foydalanadi. Shu sababli farq asosan model arxitekturasi ta’sirini ko‘rsatadi.

LNAE ikki progress variable bilan uchta maqsad turni kuchli tarzda qayta tiklay olgan. M-1 modelida o‘xshash sifat uchun ayrim turlarda uchta progress variable kerak bo‘lishi hisobga olinsa, LNAE yanada ixcham manifold yaratgani ko‘rinadi.

Manba L-1 natijalarini kichik miqyosli DNS katta miqyosli AH1sB holat fazosini ifodalash uchun yetarli asosiy ma’lumotni o‘z ichiga olganiga doir umumlashtirish dalili sifatida baholaydi.

L-2: LNAE + cho‘zilmagan flamelet

L-2 ayni cho‘zilmagan flamelet ma’lumotlar to‘plamidan foydalangan M-2 modeliga qaraganda umuman muvaffaqiyatliroq. NNH uchun sezilarli yaxshilanish model arxitekturasi ta’sirini ko‘rsatadi.

NO bo‘yicha natijalar cheklanganroq. Bunga sabab faqat model emas, balki o‘qitish ma’lumotining cho‘zilish ta’sirlarini o‘z ichiga olmasligidir. Shu sababli manba L-2 uchun NO natijasini “aralash” deb tasniflagan.

NH₃ eng oson tur bo‘lib, ikki yoki undan ko‘p latent o‘zgaruvchi bilan yaxshi qayta tiklanadi.

L-3: LNAE + cho‘zilgan va cho‘zilmagan flamelet

L-3 modelida o‘qitish ma’lumoti cho‘zilish ta’sirlarini o‘z ichiga olgani sabab ayniqsa NO rekonstruksiyasi L-2 modeliga nisbatan yaxshilangan. Yuqori o‘lchamli L-3 modellari AH1s DNSda o‘qitilgan L-1 modellarining samaradorligiga yaqinlashgan.

Bu natija tadqiqotning muhim amaliy xabarlaridan biri: qimmat DNS o‘qitish ma’lumotlar to‘plami o‘rniga to‘g‘ri tayyorlangan cho‘zilgan flamelet kutubxonasi, LNAE ishlatilganda ayrim maqsad turlar uchun katta miqyosli DNS tarkib fazosini yuqori aniqlikda ifodalashi mumkin.

Biroq bu natija barcha kimyoviy turlar, barcha NH₃/H₂ aralashmalari va barcha ish sharoitlari uchun universal tarzda isbotlangan emas. Test faqat bitta nominal yoqilg‘i aralashmasi va muayyan termokimyoviy sharoitlardagi AH1sB DNSda bajarilgan.

Manba 2-jadvalining sifat jihatidan natijalar xulosasi

Model o‘lchami oshganda nima bo‘ladi?

Manbaning Fig. 19 va Fig. 20 muhokamasidagi eng aniq tendensiya progress-variable soni oshgani sari o‘rtacha rekonstruksiya xatosi dastlab tez kamayishidir. Biroq uchta o‘zgaruvchi atrofida ko‘p model xato tubiga yaqinlashadi.

To‘rtinchi o‘zgaruvchi aksariyat hollarda kichikroq qo‘shimcha yaxshilanish beradi yoki ayrim turlarda samaradorlikni yomonlashtirishi mumkin. Mualliflar buni ikki ehtimoliy sabab bilan izohlaydi:

• DNSda o‘qitilgan modellarda qo‘shimcha progress variablelarning kimyoviy holat bilan olib keladigan yangi korrelyatsiyasi tobora kamayishi mumkin.
• Flameletda o‘qitilgan va o‘qitish xatosi allaqachon juda past bo‘lgan modellarda o‘lchamning oshishi test umumlashtirishini yaxshilash o‘rniga overfittingga hissa qo‘shishi mumkin.

Shuning uchun optimal manifold o‘lchami bitta universal son emas. U turning fazoviy va kimyoviy xatti-harakati hamda o‘qitish ma’lumoti tuzilishiga bog‘liq.

A-Priori va A-Posteriori Test O‘rtasidagi Farq Nima?

A-priori test o‘rganilgan model oldindan hisoblangan AH1sB DNS holatlarini qanchalik aniq qayta tiklashini o‘lchaydi, a-posteriori test esa modelni transport tenglamalari va tabulated chemistry ichida haqiqiy yechuvchi oqimiga qo‘shadi; ushbu tadqiqotning a-posteriori qismi faqat tanlangan ikki latent o‘zgaruvchili L-1 modeli uchun bajarilgan dastlabki 1D alanga va 2D chiziqli barqarorlik testlaridan iborat.

A-posteriori foydalanish uchun L-1 qanday o‘zgartirilgan?

A-priori natijalarda L-1 kuchli samaradorlik ko‘rsatgani sabab a-posteriori test uchun shu model tanlangan. Ikki latent o‘zgaruvchili yangi LNAE o‘qitilgan.

Ushbu yangi LNAE faqat turlarning massa ulushlarini emas, balki CFD davomida zarur bo‘lgan tur manba hadlari va molekulyar diffuzivliklarni ham bashorat qiladigan tarzda kengaytirilgan.

Bundan tashqari encoderga barcha kimyoviy turlarni berish o‘rniga quyidagi kichik to‘plam ishlatilgan:

O₂, H₂O, NH₃, NO, NO₂ va H₂.

Manba bu tanlov progress-variable maydonlarida alanga bo‘ylab kichikroq fazoviy gradientlar hosil qilish va transport tenglamalariga mosroq o‘zgaruvchilar olish maqsadiga ega ekanini bildiradi.

2D lookup table qanday yaratilgan?

Ikki latent o‘zgaruvchi hosil qilgan \(R^2\) fazosida muntazam grid qurilgan va yangi LNAE shu grid nuqtalarida baholangan. Natijada turlar va zarur termokimyoviy kattaliklar ikki progress variablening funksiyasi sifatida jadvalga kiritilgan.

Bu jadval ANNni CFDning har bir katagida qayta ishlatish o‘rniga hisoblangan C₁ va C₂ qiymatlaridan oldindan tayyorlangan kimyoviy ma’lumotga kirishni ta’minlaydi.

OpenFOAM asosidagi a-posteriori yechuvchi

Tabulated L-1 modeli tadqiqot guruhining ilgari boshqa kontekstlarda validatsiya qilingan, OpenFOAM asosidagi ichki yechuvchisiga qo‘llangan.

Bir o‘lchamli test uchun nominal sharoitlar yana:

• φ = 0,5,
• T_u = 500 K,
• hajm bo‘yicha %50 H₂ + %50 NH₃

ko‘rinishida saqlangan. Hisoblash tarmog‘i alanga qalinligi bo‘ylab kamida 20 ta finite volume bo‘ladigan qilib tanlangan.

1D a-posteriori natijasi

Tabulated L-1 modelining harorat, NH₃, NO va NNH profillari Canteraning finite-rate yechimi bilan taqqoslangan. Profillar umuman yaxshi mos kelgan, NOning post-flame hududida kichik farqlar kuzatilgan.

Manba laminar alanga tezligidagi umumiy a-posteriori xatoni %3,6 deb bildiradi.

Bu son AH1sB ikki o‘lchamli katta miqyosli DNSning to‘liq maydon rekonstruksiya xatosi emas. Bir o‘lchamli nominal laminar alanga tezligiga tegishli alohida a-posteriori samaradorlik metrikasidir.

2D chiziqli barqarorlik testi

Ichki beqaror alangalar uchun faqat silliq 1D alanga profilini qayta tiklash yetarli emas. Kichik alanga fronti perturbatsiyalari o‘sadimi yoki yo‘qmi, buni ham to‘g‘ri bashorat qilish kerak.

Shu maqsadda tekis alanga frontiga kichik amplitudali garmonik perturbatsiyalar qo‘llangan va har bir to‘lqin sonining o‘sish tezligi kuzatilgan. Natija dispersion relation, ya’ni dispersiya munosabati \(\omega(k)\) sifatida ifodalanadi.

• k: perturbatsiya to‘lqin soni.
• ω: tegishli to‘lqin sonining o‘sish tezligi.

ω musbat bo‘lsa, tegishli perturbatsiya o‘sadi; kattaroq o‘sish tezligi kuchliroq chiziqli beqarorlik moyilligini anglatadi.

L-1 modeli past to‘lqin sonlarida referens dispersiya munosabatini to‘g‘ri kuzatgan, yuqori to‘lqin sonlarida esa yuqoriroq o‘sish tezliklarini bergan. Boshqacha aytganda, model kichik to‘lqin uzunlikdagi buzilishlarni referens DNSga nisbatan beqarorroq deb bashorat qilgan.

Mualliflar bunday xatti-harakat boshqa ilg‘or tabulated chemistry modellarida ham kuzatilganini va umumiy dispersiya munosabati tabulated chemistry kontekstida maqbul ekanini ta’kidlaydi.

Tadqiqot qo‘llab-quvvatlaydigan va qo‘llab-quvvatlamaydigan xulosalar

Tadqiqotning kuchli tomonlari

• Ayni katta AH1sB test ma’lumotlar to‘plamida ikki xil model paradigmasi taqqoslangan.
• Model arxitekturasi bilan o‘qitish ma’lumot manbasining ta’sirini qisman ajratish mumkin.
• Ayni AH1s ma’lumotini ishlatadigan M-1/L-1 juftligi usullarni taqqoslash uchun ayniqsa qimmatli.
• Faqat o‘rtacha xato emas, scatter, fazoviy xato maydoni, R² va maksimal xato xatti-harakatlari ham birgalikda muhokama qilingan.
• NO, NH₃ va NNH turli kimyoviy/fazoviy xatti-harakatga ega vakil turlar sifatida tanlangan.
• Cho‘zilgan va cho‘zilmagan flamelet o‘qitish ma’lumotlarining umumlashtirish farqi alohida o‘rganilgan.
• A-priori model baholashi dastlabki a-posteriori CFD/tabulation testi bilan to‘ldirilgan.
• Ikki latent o‘zgaruvchini haqiqiy transport tenglamalariga qo‘llash ko‘rsatilgan.

Tadqiqotning cheklovlari

• Asosiy tadqiqot to‘liq sonli modellashtirish va simulyatsiya ma’lumotlariga tayanadi; eksperimental alanga o‘lchovi yo‘q.
• Test sharoiti bitta nominal NH₃/H₂ yoqilg‘i aralashmasi va φ = 0,5 markaziy sharoiti atrofidagi muayyan muammolar oilasidir.
• Mualliflarning asosiy natija taqdimoti barcha 25 turga emas, NO, NH₃ va NNHga qaratilgan.
• Flamelet kutubxonasi φ = 0,45–0,60 oralig‘i bilan cheklangan.
• Cho‘zilgan flameletlar soni 450, cho‘zilmagan flameletlar soni 30; boshqa kutubxona zichliklari tizimli tarzda taqqoslanmagan.
• Asosiy PDF KL-divergence namunalashidan so‘ng saqlangan aniq o‘qitish ma’lumot nuqtalari sonini bildirmaydi.
• Asosiy PDF har bir model uchun Random Search yakunida tanlangan aniq yashirin qatlam/neyron tuzilishini bermaydi.
• Asosiy PDF o‘qitishda ishlatilgan loss funksiyasining matematik ko‘rinishini ochiq bermaydi.
• Natija grafiklarining batafsil sonli xato jadvallari Supplementary Materialga qoldirilgan.
• R² tur qiymatlari bitta holat atrofida to‘plangan vaziyatlarda chalg‘ituvchi bo‘lishi mumkin.
• NNH kabi lokalizatsiyalangan oraliq turlarda o‘rtacha xato fizik jihatdan kritik maksimal xatoni yashirishi mumkin.
• A-posteriori qism faqat L-1 modeliga qo‘llangan; qolgan besh modelning CFD ichidagi samaradorligi sinovdan o‘tkazilmagan.
• A-posteriori baholash dastlabki xususiyatga ega.
• 2D a-posteriori test to‘liq nochiziqli katta miqyosli AH1sB tarqalish simulyatsiyasi emas, balki chiziqli barqarorlik tahlilidir.
• L-1 yuqori to‘lqin sonlarida referensga qaraganda yuqoriroq o‘sish tezligi va ko‘proq beqarorlikni bashorat qiladi.
• Turbulentlik–kimyo o‘zaro ta’siri ushbu tadqiqotning a-posteriori qamroviga kiritilmagan.

Kelajak tadqiqot yo‘nalishlari

Mualliflar kelajakda a-posteriori xatolarni yanada tizimli tekshirishni va modelni Large Eddy Simulation (LES) ichida turbulentlik–kimyo o‘zaro ta’sirini modellashtirish bilan birlashtirishni tavsiya qiladi.

Bu kelajakdagi tadqiqot maqsadi hozirgi ishda turbulent sanoat yonishi muvaffaqiyatli simulyatsiya qilinganini anglatmaydi. Hozirgi maqola avvalo past o‘lchamli kimyoviy manifoldni yaratish mumkinligini va uning cheklangan a-posteriori qo‘llanishini ko‘rsatadi.

Tadqiqotning asosiy ilmiy natijasi

Tadqiqotning eng muhim natijasini “sun’iy intellekt alangani to‘g‘ri bashorat qildi” kabi umumiy jumlaga qisqartirmaslik kerak. Tadqiqotning asl hissasi qaysi o‘qitish ma’lumoti qaysi qisqartirilgan model arxitekturasi bilan birlashganda termodiffuzion jihatdan beqaror NH₃/H₂ alangasining kimyoviy holat fazosiga umumlashtira olishini qiyosiy tarzda ko‘rsatishidir.

Kichik miqyosli DNS eng kuchli o‘qitish ma’lumoti bo‘lgan. Biroq LNAE cho‘zilgan flameletlardan o‘rgatilganda qimmat DNS o‘qitishisiz ham katta miqyosli DNSdagi asosiy kimyoviy turlar xatti-harakatini kuchli tarzda qayta tiklay olgan.

Bu topilma hisoblash xarajati yuqori bo‘lgan batafsil kimyoni kamroq progress variable orqali tabulated chemistry ko‘rinishida ifodalash nuqtai nazaridan muhimdir. Biroq usul hanuz fizik o‘qitish ma’lumotiga, to‘g‘ri flamelet holat fazosiga, mos progress-variable ta’rifiga va a-posteriori validatsiyaga bog‘liq.

Manba va Usul Haqida Izoh

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

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

Mas’ul muallif: S. Bottari. Manba corresponding-author elektron pochta manzilini stefano.bottari@uniroma1.it deb beradi.

Teng hissa: Manbada teng birinchi mualliflik yoki teng hissa bayonoti ko‘rsatilmagan.

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

Jurnal: Fuel.

Nashriyot: Elsevier Ltd.

Manba turi: Full length article; ma’lumotlarga asoslangan qisqartirilgan yonish kimyosi modellashtirishi va DNS/flamelet asosidagi sonli tadqiqot.

Bibliografik yozuv: Fuel 405, Part D (2026), Article 136805.

DOI: 10.1016/j.fuel.2025.136805

Rasmiy havola: https://doi.org/10.1016/j.fuel.2025.136805

Nashr sanalari: Received: 23 May 2025; revised: 7 August 2025; accepted: 8 September 2025; available online: 12 September 2025. ScienceDirect jild yozuvi Volume 405, Part D uchun 1 February 2026 sanasini ko‘rsatadi.

Taqriz holati: Fuel jurnalida qabul qilingan va nashr etilgan to‘liq hajmli ilmiy maqola.

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

Mualliflik huquqi/vizual izoh: ND sharti sabab manba Fig. 1–22 vizual tartibi moslashtirilib qayta yaratilmagan. Maqoladagi usul sxemasi faqat manbada ochiq berilgan faktik ma’lumot va munosabatlardan foydalanib, mustaqil Verianla kompozitsiyasi sifatida yaratilgan.

Preprint holati: Ko‘rib chiqilgan manba nashr etilgan jurnal maqolasidir; manba ichida alohida preprint identifikatori ko‘rsatilmagan.

DNS asosiy sharoitlari: %50 NH₃ + %50 H₂ hajmiy yoqilg‘i aralashmasi; φ = 0,5; T_u = 500 K; atmosfera bosimi; 25 tur / 110 reaksiyali kinetik mexanizm; AH1s = 10λ_c; AH1sB = 30λ_c; λ_c = 2,63 mm.

DNS dasturiy ta’minoti: Ichki o‘zgartirilgan Nek5000; reaksiyali oqim uchun yuqori tartibli splitting; qattiq kimyo quyi tizimi uchun CVODE.

Flamelet yaratish: Cantera; 30 ta cho‘zilmagan 1D flamelet va 450 ta cho‘zilgan premixed counterflow flamelet.

Mashinali o‘rganish dasturi: Keras va TensorFlow asosidagi Python ilovasi.

Model oilalari: SVD+ANN uchun M-1/M-2/M-3; LNAE uchun L-1/L-2/L-3.

Giperparametr qidiruvi: Random Search; 1–10 yashirin qatlam, har bir qatlamda 5–505 neyron va 10⁻⁴–10⁻² o‘rganish tezligi oraliqlari manbada ko‘rsatilgan.

Namunalash: O‘qitish ma’lumotini namunalash namunalangan va to‘liq ma’lumotlar to‘plamlari o‘rtasidagi Kullback–Leibler divergence farqini kamaytirishga asoslanadi. Asosiy PDF yakuniy namuna ma’lumot nuqtalari sonini ochiq bildirmaydi.

Masshtablash: O‘zgaruvchilar o‘qitish ma’lumotining minimum va maksimum qiymatlari yordamida [0,1] oralig‘iga masshtablangan; test ma’lumoti uchun ham ayni o‘qitish min/max qiymatlari ishlatilgan.

Asosiy baholash turlari: predicted-versus-true scatter grafiklari va R², fazoviy xato maydonlari, o‘rtacha xato, maksimal xato va 6-tenglamadagi birlashtirilgan mutlaq/nisbiy foiz xato metrikasi.

A-posteriori model: Ikki latent o‘zgaruvchili L-1. Model OpenFOAM asosidagi ichki tabulated chemistry yechuvchisida qo‘llangan.

A-posteriori 1D natijasi: Laminar alanga tezligida %3,6 xato xabar qilingan.

A-posteriori 2D cheklovi: Test chiziqli barqarorlik va dispersion relation tahlilidir; to‘liq nochiziqli katta miqyosli AH1sB alanga tarqalishining a-posteriori rekonstruksiyasi emas.

CRediT hissalari: 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.

Moliyalashtirish: Clean Hydrogen Partnership, grant agreement No. 101137955 — ACHIEVE; dastur European Union Horizon Europe, Hydrogen Europe va Hydrogen Europe Research moliyalashtirishini oladi. Tadqiqot shuningdek European Union – NextGenerationEU tomonidan moliyalashtiriladigan ICSC, Centro Nazionale di Ricerca in High-Performance Computing, Big Data and Quantum Computing tomonidan qo‘llab-quvvatlangan.

Manfaatlar to‘qnashuvi: Mualliflar tadqiqotga ta’sir qilishi mumkin bo‘lgan ma’lum raqobatlashuvchi moliyaviy manfaat yoki shaxsiy munosabat yo‘qligini bildirgan.

Ma’lumotlarning mavjudligi: Manba “Data will be made available upon request” bayonotini beradi.

Qayta ishlab chiqarish cheklovi: Asosiy PDF Random Search oraliqlarini tushuntiradi, biroq har bir model uchun tanlangan yakuniy tarmoq arxitekturasi, o‘qitish epoch/batch tafsilotlari, KL namunalashidan keyingi aniq ma’lumot nuqtalari soni va o‘qitish loss funksiyasining ochiq matematik ta’rifini bermaydi. Sonli xato jadvallarining muhim qismi Supplementary Materialga yo‘naltirilgan.

Asosiy talqin cheklovi: Tadqiqot ma’lumotlarga asoslangan kimyoni qisqartirish va simulyatsiya tadqiqotidir. Natijalar haqiqiy gaz turbina, dvigatel, gorelka yoki sanoat NH₃/H₂ yonish tizimining emissiya, xavfsizlik yoki samaradorlik validatsiyasi emas.