[论文解读] Modelling turbulent premixed flames using convolutional neural networks: application to sub-grid scale variance and filtered reaction rate

Zacharias M. Nikolaou, Charalambos Chrysostomou+2 more|arXiv (Cornell University)|Oct 18, 2018

Combustion and flame dynamics参考文献 32被引用 7

一句话总结

本文提出一种基于数据驱动的深度卷积神经网络（CNN）方法，用于大涡模拟（LES）湍流预混火焰中亚网格尺度方差和滤波反应速率的建模。该CNN基于直接数值模拟（DNS）数据进行训练，对滤波后的密度和进度变量场执行去卷积操作，以重建未滤波的进度变量分布，从而在无需调参或显式了解滤波核的情况下，准确估算关键燃烧项。

ABSTRACT

A purely data-driven approach using deep convolutional neural networks is discussed in the context of Large Eddy Simulation (LES) of turbulent premixed flames. The assessment of the method is conducted a priori using direct numerical simulation data. The network has been trained to perform deconvolution on the filtered density and the filtered density- progress variable product, and by doing so obtain estimates of the un-filtered progress variable field. Any non-linear function of the progress variable can then be approximated on the LES coarse mesh and explicitly filtered to advance the LES solution in time. This new strategy for tackling turbulent combustion modelling is demonstrated with success, for both the sub-grid scale progress variable variance and the flamelet filtered reaction rate, two fundamental ingredients of premixed turbulent combustion modelling.

研究动机与目标

• 开发一种无需参数的、基于数据驱动的替代方法，用于LES中湍流预混燃烧的亚网格尺度建模。
• 解决传统模型依赖于特定案例调参且在复杂高湍流流动中表现不佳的局限性。
• 利用深度学习从滤波数据中重建未滤波的进度变量场，从而实现对如方差和反应速率等非线性项的准确估算。
• 通过高保真DNS数据进行事前验证，最大限度减少数值和建模误差的干扰。
• 证明CNN去卷积方法在不同滤波宽度下的鲁棒性，确保其在实际LES应用中的适用性。

提出的方法

• 训练一个深度卷积神经网络（CNN），对来自湍流预混火焰DNS的滤波密度和滤波密度-进度变量乘积场执行去卷积操作。
• 网络学习从其滤波对应物中重建未滤波的进度变量场，而无需显式了解滤波核信息。
• 利用重建的高分辨率进度变量场，通过LES网格上的显式滤波计算非线性函数（如方差和滤波反应速率）。
• 采用严格的模拟LES网格验证方法对方法进行事前评估，随着滤波宽度增加，训练数据量相应减少。
• 端到端训练CNN，以最小化预测与真实未滤波场之间的误差，同时优化网络和滤波权重。
• 通过将CNN预测的方差和反应速率与通过DNS数据显式滤波获得的目标值进行比较，评估模型性能。

实验结果

研究问题

• RQ1 深度CNN能否在不事先了解滤波核的情况下，有效从滤波数据中重建湍流预混火焰中的未滤波进度变量场？
• RQ2 当与经典火焰片模型结合使用时，CNN预测的方差和滤波反应速率在多大程度上能与DNS获得的真实值保持一致？
• RQ3 与传统模型常随滤波尺寸增大而性能下降不同，CNN基于的去卷积方法在不同滤波宽度下是否仍保持鲁棒性？
• RQ4 在火焰片模型中，使用该CNN方法估计的方差对进度变量概率密度函数参数化引入的偏差有多大？
• RQ5 该数据驱动方法能否作为LES中湍流燃烧物理模型的可靠、可推广的替代方案？

主要发现

• CNN能够以高保真度重建未滤波的进度变量场，从而实现对亚网格尺度方差和滤波反应速率的准确估算。
• 该方法在不同滤波宽度下均表现鲁棒，对滤波尺寸变化的敏感性极低，优于大多数传统模型。
• 使用CNN预测的方差可准确参数化未拉伸火焰片（UF）和滤波层流火焰（FLF）方法中的进度变量PDF。
• 基于CNN预测方差的模型化反应速率与目标DNS结果高度一致，仅在0.1 < c̃ < 0.6范围内存在轻微高估，这主要归因于高湍流和火焰斑块化。
• 该CNN方法在火焰片模型中未引入显著偏差，验证了其与现有燃烧建模框架的兼容性。
• 该方法在更大规模模拟中具有良好的泛化潜力，性能随训练数据量增加而提升，且可适用于任意感兴趣的变量。