तकनीकी सारांश: अमोनिया/प्राकृतिक गैस दहन गतिकी के डीप लर्निंग को उन्नत करना

समस्या विवरण

अमोनिया/प्राकृतिक गैस दहन का सटीक संख्यात्मक सिमुलेशन शून्य-कार्बन ऊर्जा प्रणालियों के विकास के लिए महत्वपूर्ण है। हालांकि, उच्च-निष्ठा (high-fidelity) वाले सिमुलेशन गणना की दृष्टि से अत्यधिक कठिन हैं क्योंकि उन्हें प्रजातियों की सांद्रता के विकास को नियंत्रित करने वाले उच्च-आयामी, 'स्टिफ' (stiff) रासायनिक साधारण अवकल समीकरणों (ODEs) को हल करने की आवश्यकता होती है। विस्तृत रसायन विज्ञान मॉडल में, जैसे कि इस अध्ययन में उपयोग किया गया 59-प्रजाति, 356-अभिक्रिया तंत्र, रसायन विज्ञान मूल्यांकन कुल गणना समय का 90% से अधिक हिस्सा ले सकता है।

यद्यपि डीप लर्निंग (DL) पारंपरिक ODE इंटीग्रेटर्स के लिए एक संभावित सरोगेट (surrogate) प्रदान करता है, दो प्राथमिक चुनौतियां अमोनिया दहन के अनुप्रयोग में बाधा डालती हैं:

1. डेटा असंतुलन (Data Imbalance): कैनोनिकल फ्लेम्स (flames) से प्राप्त प्रशिक्षण डेटासेट अक्सर तीव्र थर्मोकेमिकल ग्रेडिएंट्स (जैसे कि फ्लेम फ्रंट) का कम प्रतिनिधित्व करते हैं जहाँ तीव्र रासायनिक परिवर्तन होते हैं, जिससे प्रतिक्रियाशील क्षेत्रों में मॉडल का सामान्यीकरण (generalization) खराब हो जाता है।
2. बहु-पैमाने वाला लक्ष्य पूर्वानुमान (Multiscale Target Prediction): प्रजातियों की सांद्रता में परिवर्तन कई ऑर्डर ऑफ मैग्नीट्यूड (जैसे $10^{-25}$ से $10^{-5}$) तक फैले होते हैं। मानक रिग्रेशन दृष्टिकोण इतने विषम पैमानों में सटीकता बनाए रखने में संघर्ष करते हैं, विशेष रूप से अत्यंत कम सांद्रता परिवर्तनों की भविष्यवाणी करने में विफल रहते हैं, जो निम्न-तापमान शासन में भौतिक निरंतरता (physical consistency) से समझौता करता है।

कार्यप्रणाली

यह अध्ययन अमोनिया/मीथेन मिश्रण (60% NH$_3$/40% CH$_4$) के लिए विशेष रूप से तैयार किया गया 'फ्लेम केमिकल काइनेटिक्स विद स्टिफ ODEs' (DFODE) फ्रेमवर्क प्रस्तावित करता है। यह कार्यप्रणाली तीन मुख्य घटकों के माध्यम से पहचाने गए चुनौतियों का समाधान करती है:

1. भौतिकी-जागरूक डेटा संवर्धन (Physics-Aware Data Augmentation)

फ्लेम फ्रंट के पास सैंपलिंग असंतुलन को दूर करने के लिए, लेखक एक-आयामी (1D) मुक्त रूप से प्रसारित होने वाली प्रीमिक्सड लैमिनार फ्लेम्स पर आधारित दो-चरणीय संवर्धन रणनीति पेश करते हैं:

• फ्लेम संरचना इंटरपोलेशन (Flame Structure Interpolation): समान रूप से अंतराल पर स्थित तापमान अंतरालों के बीच मौजूदा थर्मोकेमिकल अवस्थाओं के बीच लीनियर इंटरपोलेशन किया जाता है। यह अतिरिक्त अवस्थाएं उत्पन्न करता है जो भौतिक रूप से सुसंगत और प्रतिक्रियाशील क्षेत्र का प्रतिनिधित्व करने वाली होती हैं, जो प्रभावी रूप से तापमान स्पेक्ट्रम में डेटासेट को संतुलित करती हैं।
• प्रतिबंधित यादृच्छिक विक्षोभ (Constrained Random Perturbation): संरचना स्थान (composition space) के कवरेज को व्यापक बनाने और बहु-आयामी परिवहन प्रभावों को सिम्युलेट करने के लिए, तापमान, दबाव और प्रजातियों के द्रव्यमान अंशों पर यादृच्छिक विक्षोभ लागू किए जाते हैं। महत्वपूर्ण रूप से, ये विक्षोभ भौतिक मानदंडों (जैसे तापमान सीमाएं, नाइट्रोजन द्रव्यमान अंश सीमाएं और ऊष्मा विमुक्ति दर फिल्टर) द्वारा प्रतिबंधित हैं ताकि गैर-भौतिक अवस्थाओं को हटाया जा सके।

2. बहु-पैमाने वाले लक्ष्यों के लिए स्केल-सेपरेशन ट्रांसफॉर्मेशन

अध्ययन प्रजातियों के सांद्रता परिवर्तन ($\Delta Y$) के विस्तृत डायनेमिक रेंज को संभालने के लिए लक्ष्य सूत्रीकरण (target formulation) रणनीतियों का मूल्यांकन करता है।

• मौजूदा विधियों का मूल्यांकन: लेखक पूर्ण सांद्रता पर लागू बॉक्स-कॉक्स रूपांतरण ($Box-Cox(Y(t+\Delta t)) - Box-Cox(Y(t))$) का विश्लेषण करते हैं। वे पाते हैं कि जबकि यह बड़े सांद्रता के लिए प्रभावी है, यह अत्यंत छोटे परिवर्तनों ($<10^{-15}$) की विश्वसनीय भविष्यवाणी करने में विफल रहता है जब प्रारंभिक प्रजाति द्रव्यमान अंश शून्य के करीब नहीं होते हैं, क्योंकि इसमें नॉन-मोनोटोनिक मैपिंग व्यवहार होता है।
• प्रस्तावित पावर ट्रांसफॉर्मेशन (Power Transformation): एक नया लक्ष्य सूत्रीकरण पेश किया गया है: $F[\Delta Y] = \text{sign}(\Delta Y) \cdot |\Delta Y|^\lambda / \lambda$ (जहाँ $\lambda=0.1$ है)। सीधे सांद्रता के परिवर्तन पर गैर-रेखीय रूपांतरण लागू करके, यह दृष्टिकोण निम्न-परिमाण वाले शासन को "डीकंप्रेस" करता है, जिससे छोटे लक्ष्यों के लिए स्थिरता में सुधार होता है।
• हाइब्रिड रणनीति: प्रदर्शन विश्लेषण के आधार पर, एक हाइब्रिड मॉडलिंग दृष्टिकोण अपनाया गया है: 1000 K से ऊपर के तापमान के लिए बॉक्स-कॉक्स सूत्रीकरण का उपयोग किया जाता है, जबकि 305 K और 1000 K के बीच के तापमान के लिए पावर ट्रांसफॉर्मेशन (PT) का उपयोग किया जाता है।

3. मॉडल आर्किटेक्चर और सत्यापन

• आर्किटेक्चर: एक मल्टी-लेयर पर्सेप्ट्रॉन (MLP) जिसमें चार हिडन लेयर्स (प्रत्येक 80ims 800 न्यूरॉन्स) हैं, को स्थानीय थर्मोकेमिकल मापदंडों ($T, p, Y$) को प्रजाति वृद्धि (species increments) में मैप करने के लिए प्रशिक्षित किया गया है।
• सत्यापन: मॉडल को पहले 1D लैमिनार फ्लेम्स में सत्यापित किया जाता है। इसके बाद, प्रशिक्षित DFODE मॉडल के साथ dfLowMachFoam सॉल्वर का उपयोग करके एक टू-डायमेंशनल (2D) होमोजेनियस आइसोट्रोपिक टर्बुलेंस (HIT) फ्लेम सिमुलेशन में एक ए पोस्टेरिओरी (a posteriori) मूल्यांकन किया जाता है।

मुख्य परिणाम

1. डेटा संवर्धन का प्रभाव

1D फ्लेम सिमुलेशन में तुलनात्मक विश्लेषण से पता चलता है कि बिना इंटरपोलेशन के प्रशिक्षित मॉडल महत्वपूर्ण फ्लेम विशेषताओं को पकड़ने में विफल रहते हैं। विशेष रूप से, वे अधिकतम ऊष्मा विमुक्ति दरों को कम आंकते हैं और प्रजाति प्रोफाइल में गैर-भौतिक व्यवहार प्रदर्शित करते हैं (जैसे कि CH$_4$ द्रव्यमान अंश में गलत वृद्धि और OH तथा O जैसे मध्यवर्ती प्रजातियों का खराब पूर्वानुमान)। इंटरपोलेशन-संवर्धित डेटासेट CVODE संदर्भ समाधान के साथ बेहतर तालमेल दिखाता है, विशेष रूप से प्रतिक्रियाशील क्षेत्रों में।

2. ट्रांसफॉर्मेशन रणनीतियों का प्रदर्शन

• स्मॉल-स्केल प्रेडिक्शन इंडेक्स (SSPI): पावर ट्रांसफॉर्मेशन (PT) मॉडल $10^{-15}$ से नीचे के लक्ष्यों के लिए टेस्ट सेट पर 0.9874 का SSPI प्राप्त करता है, जबकि बॉक्स-कॉक्स (BC) मॉडल के लिए यह 0.6900 है।
• त्रुटि विश्लेषण: BC मॉडल निम्न-तापमान अवस्थाओं में छोटे लक्ष्यों के लिए बड़े पूर्ण त्रुटियों (अप hingga $10^{-5}$) को प्रदर्शित करता है, जबकि PT मॉडल $10^{-12}$ के आसपास त्रुटियां बनाए रखता है।
• हाइब्रिड दृष्टिकोण: हाइब्रिड मॉडल (1000 K से ऊपर के लिए BC, 305 K से 1000 K के बीच के लिए PT) वैश्विक फ्लेम डायनेमिक्स और विस्तृत निम्न-तापमान रासायनिक गतिकी दोनों को सफलतापूर्वक कैप्चर करता है।

3. 2D टर्बुलेंट फ्लेम सिमुलेशन

2D HIT सिमुलेशन में:

• फ्लेम डायनेमिक्स: हाइब्रिड DFODE मॉडल फ्लेम क्षेत्र के टेम्पोरल विकास को उच्च सटीकता के साथ पुनरुत्पादित करता है, जो CVODE संदर्भ समाधान से मेल खाता है।
• प्रजाति वितरण: हाइब्रिड मॉडल प्रमुख प्रजातियों (NH$_3$) और मध्यवर्ती (NO$_2$, C$_3$H$_7$) के स्थानिक वितरण का सटीक अनुमान लगाता है, विशेष रूप से उन मिक्सिंग क्षेत्रों में जहाँ BC-ओनली मॉडल विफल हो जाता है।
• कंप्यूटेशनल स्पीडअप: GPU पर रसायन विज्ञान गणनाओं को DFODE मॉडल को सौंपकर (offloading), अध्ययन ने CVODE इंटीग्रेशन की तुलना में रसायन विज्ञान सोर्स टर्म गणनाओं में 526$\times$ की गति वृद्धि और एंड-टू-एंड CFD सिमुलेशन समय में 20$\times$ की गति वृद्धि प्राप्त की है।

महत्व और दावे

यह शोध पत्र दावा करता है कि यह अमोनिया/प्राकृतिक गैस दहन में जटिल रासायनिक गतिकी के लिए डीप लर्निंग लागू करने हेतु एक स्केलेबल और मजबूत कार्यप्रणाली प्रस्तुत करता है। इसके प्राथमिक योगदान हैं:

1. डेटा गुणवत्ता: यह प्रदर्शित करना कि भौतिकी-जागरूक डेटा संवर्धन (इंटरपोलेशन + प्रतिबंधित विक्षोभ) एक एकल कैनोनिकल 1D फ्लेम पर प्रशिक्षित होने के बावजूद, टर्बुलेंट स्थितियों में सामान्यीकरण करने वाले मजबूत सरोगेट्स को प्रशिक्षित करने के लिए आवश्यक है।
2. लक्ष्य सूत्रीकरण: यह स्थापित करना कि मानक लक्ष्य सूत्रीकरण दहन में बहु-पैमाने वाले लक्ष्यों के लिए संघर्ष करते हैं और एक स्केल-सेपरेशन रणनीति (पावर ट्रांसफॉर्मेशन) का प्रस्ताव करना जो निम्न-सांद्रता वाली प्रजातियों के लिए निम्न-तापमान शासन में पूर्वानुमान विश्वसनीयता को काफी बढ़ाता है।
3. दक्षता: यह सत्यापित करना कि ये सुधार अमोनिया मिश्रणों के उच्च-निष्ठा वाले सिमुलेशन के लिए 20-गुना गणना लागत में कमी लाते हैं, जो कुशल शून्य-कार्बन ऊर्जा प्रणालियों के विकास का समर्थन करते हैं।

लेखक निष्कर्ष निकालते हैं कि यह फ्रेमवर्क न केवल अमोनिया मॉडलिंग में मशीन लर्निंग अनुप्रयोगों को आगे बढ़ाता है, बल्कि अन्य जटिल ईंधनों के लिए विस्तार योग्य एक बहुमुखी दृष्टिकोण भी प्रदान करता है, जो शून्य-कार्बन ऊर्जा प्रौद्योगिकियों के अनुकूलन को सुगम बनाता है।