Uncertainty-aware reduced-order modelling with sparse sensing and data assimilation for forecasting combustion dynamics

दहन (कम्बशन) ईंधन और हवा के बीच एक हिंसक, अराजक संवाद है, एक ऐसी प्रक्रिया जो हमारे इंजनों को शक्ति प्रदान करती है और हमारे घरों को गर्म करती है, लेकिन पूर्ण सटीकता के साथ भविष्यवाणी करना बेहद कठिन बना हुआ है। एक लौ (फ्लेम) के भीतर, रासायनिक प्रतिक्रियाएं बिजली की गति से होती हैं, जो गर्मी और दबाव के ऐसे घूमते हुए पैटर्न बनाती हैं जो पलक झपकते ही बदल जाते हैं। इन प्रणालियों को समझने के लिए, वैज्ञानिक अक्सर हर सूक्ष्म विवरण का अनुकरण करने के लिए सुपरकंप्यूटरों पर निर्भर रहते हैं, लेकिन ये सिमुलेशन कंप्यूटिंग पावर के मामले में इतने भारी होते हैं कि वे वास्तविक समय की स्थितियों में मदद करने के लिए पर्याप्त तेज़ी से नहीं चल सकते, जैसे कि उड़ते हुए जेट इंजन की निगरानी करना। इस अंतर को पाटने के लिए, शोधकर्ताओं ने "रिड्यूस्ड-ऑर्डर मॉडल्स" विकसित किए हैं, जो भौतिकी के सरलीकृत संस्करण हैं जो हर एक अणु की गणना किए बिना लौ की सबसे महत्वपूर्ण गतिविधियों को पकड़ लेते हैं। हालांकि, ये सरलीकृत मॉडल पथ से भटक सकते हैं यदि लौ उस तरह से व्यवहार करती है जैसा कि प्रशिक्षण चरण के दौरान नहीं किया गया था, और वे अक्सर संघर्ष करते हैं जब वैज्ञानिक पूरी लौ को नहीं देख पाते, जिससे उन्हें अंधेरे में क्या हो रहा है इसका अनुमान लगाने के लिए केवल कुछ बिखरे हुए सेंसरों पर निर्भर रहना पड़ता है।

फ्रांस और बेल्जियम के शोधकर्ताओं की एक टीम ने इन सरलीकृत मॉडलों को ट्रैक पर रखने का एक नया तरीका विकसित किया है, भले ही डेटा शोरपूर्ण (नॉइजी) और अधूरा हो। उन्होंने एक ऐसा सिस्टम बनाया है जो जटिल लौ के पैटर्न को तोड़ने के एक स्मार्ट तरीके और एक सांख्यिकीय पद्धति को जोड़ता है जो उन पैटर्न के विकास की भविष्यवाणी करती है, और साथ ही सीमित सेंसर डेटा का उपयोग करके अपने स्वयं के अनुमानों को लगातार सुधारता है। टर्बुलेंट फ्लेम की वास्तविक दुनिया की छवियों और लैमिनार फ्लेम के विस्तृत कंप्यूटर सिमुलेशन दोनों पर अपने दृष्टिकोण का परीक्षण करके, उन्होंने पाया कि यह विधि आग के भविष्य के व्यवहार का सफलतापूर्वक पूर्वानुमान लगाने में सक्षम थी। सबसे महत्वपूर्ण बात यह है कि उन्होंने पाया कि भले ही प्रारंभिक भविष्यवाणी मॉडल बहुत अच्छा न हो, सावधानीपूर्वक चुने गए स्थानों से तापमान की कुछ रीडिंग फीड करने से त्रुटियों को ठीक किया जा सकता था, जिससे पूर्वानुमान को उच्च स्तर की सटीकता तक वापस लाया जा सका।

इस कार्य का मूल आधार यह है कि शोधकर्ता लौ की जटिलता को कैसे संभालते हैं। पूरी आग को एक साथ ट्रैक करने के बजाय, वे पहले "मल्टी-स्केल प्रॉपर ऑर्थोगोनल डिकंपोजिशन" नामक तकनीक का उपयोग करके लौ के व्यवहार को उनके दोलन (ऑसिलेशन) की गति के आधार पर अलग-अलग परतों में विभाजित करते हैं। कल्पना कीजिए कि एक लौ एक धीमी लय पर डगमगाती है और साथ ही तेजी से फड़फड़ाती भी है; यह विधि तेज़ फड़फड़ाहट से धीमी डगमगाहट को अलग करती है, जिससे एक अराजक मलबे को स्पष्ट, प्रबंधनीय लय में बदल दिया जाता है। एक बार जब लौ को इन सरल लयों में तोड़ दिया जाता है, तो शोधकर्ता "गौसियन प्रोसेस रिग्रेशन" नामक एक सांख्यिकीय उपकरण का उपयोग करते हैं ताकि यह अनुमान लगाया जा सके कि ये लय समय के साथ कैसे बदलेंगी। यह उपकरण विशेष रूप से उपयोगी है क्योंकि यह केवल एक उत्तर नहीं देता है; यह एक एकल भविष्यवाणी के साथ अनिश्चितता का एक माप भी प्रदान करता है, जो सिस्टम को बताता है कि उसे अपने स्वयं के पूर्वानुमान में कितना आश्वस्त होना चाहिए।

इस ढांचे का परीक्षण करने के लिए, टीम ने दो बहुत अलग परिदृश्यों पर इसे लागू किया। पहला एक प्रयोगात्मक डेटासेट था जिसमें एक दहन कक्ष (कम्बशन चैंबर) के भीतर एक वास्तविक, घूमती हुई लौ शामिल थी, जिसे सिस्टम में प्रवेश करने वाली हवा को नियंत्रित (मॉड्यूलेट) करके दोलन करने के लिए मजबूर किया गया था। दूसरा एक लैमिनार फ्लेम का हाई-फिडेलिटी कंप्यूटर सिमुलेशन था, जहाँ ईंधन प्रवाह को कई आवृत्तियों (फ्रीक्वेंसी) पर मॉड्यूलेट किया गया था, जिससे एक अधिक जटिल, बहु-सुरीला (मल्टी-टोन्ड) रिस्पॉन्स पैदा हुआ। दोनों मामलों में, शोधकर्ताओं ने अपने मॉडल को डेटा के एक हिस्से पर प्रशिक्षित किया और फिर उनसे लौ के भविष्य के व्यवहार की भविष्यवाणी करने को कहा। उन्होंने पाया कि गणितीय "कर्नेल" (वह नियम जिसका उपयोग मॉडल यह समझने के लिए करता है कि समय लौ की लय को कैसे प्रभावित करता है) का चुनाव महत्वपूर्ण था। एक कर्नेल जो दोहराव वाले, आवधिक (पीरियडिक) पैटर्न को पहचानने के लिए डिज़ाइन किया गया था, उसने अन्य की तुलना में लगातार बेहतर प्रदर्शन किया, जिससे शोरपूर्ण प्रयोगात्मक लौ और जटिल सिम्युलेटेड लौ दोनों में सबसे स्थिर और सटीक पूर्वानुमान प्राप्त हुआ। यह सुझाव देता है कि मॉडल को स्पष्ट रूप से एक दोहराव वाले चक्र की अपेक्षा करने के लिए सिखाना दहन की गतिशीलता के सार को पकड़ने का एक शक्तिशाली तरीका है।

हालांकि, एक पूर्वानुमान उतना ही अच्छा होता है जितना कि वह जानकारी प्राप्त करता है जो उसे मिलती है, और वास्तविक दुनिया के अनुप्रयोगों में, वैज्ञानिकों के पास शायद ही कभी पूरे सिस्टम का पूर्ण दृश्य होता है। शोधकर्ताओं ने इस सीमा का अनुकरण यह मानकर किया कि वे केवल लौ के एक छोटे, प्रतिबंधित विंडो को देख सकते हैं या केवल कुछ ही सेंसरों तक पहुंच रखते हैं। उन्होंने बिखरे हुए सुरागों से लौ की पूरी स्थिति को पुनर्गठित करने के तीन अलग-अलग तरीकों का परीक्षण किया: एक मानक वेटेड दृष्टिकोण, एक रेगुलराइज्ड विधि जो स्थिरता की एक परत जोड़ती है, और एक बेयसियन दृष्टिकोण जो प्रशिक्षण डेटा से सेंसर और लौ के बीच के संबंध को सीखता है। परिणामों ने दिखाया कि जब सेंसर कम थे या दृश्य बाधित था, तो रेगुलराइज्ड और बेयसियन विधियाँ कहीं अधिक मजबूत थीं। जबकि मानक विधि संघर्ष करती रही और उपलब्ध डेटा कम होने पर बड़ी त्रुटियां उत्पन्न करती रही, अधिक परिष्कृत दृष्टिकोणों ने अपनी सटीकता बनाए रखी, जिससे यह सिद्ध हुआ कि सूचना को गणितीय रूप से कैसे संभालना उतना ही महत्वपूर्ण है जितना कि स्वयं सूचना।

पहेली का अंतिम हिस्सा "डेटा एसिमिलेशन" (डेटा आत्मसात) है, जो एक प्रक्रिया है जहाँ मॉडल के पूर्वानुमान को नए अवलोकनों द्वारा निरंतर सुधारा जाता है। शोधकर्ताओं ने प्रोबेबिलिस्टिक पूर्वानुमान को बिखरे हुए सेंसर रीडिंग के साथ मिलाने के लिए एक "एन्सेम्बल कलमन फ़िल्टर" का उपयोग किया, जिसमें दोनों की अनिश्चितता का भी ध्यान रखा गया। प्रयोगात्मक मामले में, इस सुधार ने मॉडल को ट्रैक पर रखने में मदद की, जिससे समय के साथ वास्तविकता से भटकने से रोका जा सका। सबसे उल्लेखनीय परिणाम लैमिनार फ्लेम के संख्यात्मक सिमुलेशन से आया। यहाँ, शोधकर्ताओं ने एक ऐसा पूर्वानुमान मॉडल शुरू किया जो ज्ञात रूप से गलत था, जो लौ के दोलनों के सही समय को पकड़ने में विफल रहा था। इसके बाद, उन्होंने इस त्रुटिपूर्ण मॉडल में केवल छह तापमान माप फीड किए, जिन्हें अनुकूल स्थानों से लिया गया था और जिनमें महत्वपूर्ण शोर (नॉइज़) था, जो एक बहुत ही कठिन सेंसिंग वातावरण का अनुकरण करता है। खराब शुरुआती बिंदु और शोरपूर्ण डेटा के बावजूद, एसिमिलेशन प्रक्रिया ने पूर्वानुमान को सफलतापूर्वक ठीक कर दिया। सिस्टम ने लौ के संपूर्ण तापमान और रासायनिक संरचना को इतनी सटीकता के साथ पुनर्गठित करने में सफलता प्राप्त की जो सर्वश्रेष्ठ प्रदर्शन करने वाले मॉडल के लगभग बराबर थी, भले ही इसने सुधार प्रक्रिया के दौरान पूरी लौ को कभी नहीं देखा था।

ये निष्कर्ष विभिन्न गणितीय तकनीकों के बीच एक शक्तिशाली तालमेल को उजागर करते हैं। लौ को उसकी मौलिक लय में विभाजित करके, एक सांख्यिकीय मॉडल का उपयोग करके जो अनिश्चितता को समझता है, और फिर बिखरे हुए, शोरपूर्ण डेटा के साथ भविष्यवाणी को लगातार परिष्कृत करके, शोधकर्ताओं ने एक ऐसा सिस्टम बनाया है जो वास्तविक दुनिया के मापन की खामियों के प्रति लचीला है। यह अध्ययन प्रदर्शित करता है कि सटीक भविष्यवाणियां करने के लिए आपको एक आदर्श मॉडल या सिस्टम के पूर्ण दृश्य की आवश्यकता नहीं है; आपको एक ऐसे ढांचे की आवश्यकता है जो यह बुद्धिमानी से जोड़ सके कि वह क्या जानता है और वह क्या देख सकता है। हालांकि वर्तमान प्रणाली एक ऑफलाइन प्रशिक्षित मॉडल पर निर्भर करती है और अभी भी वास्तविक समय में अपने अंतर्निहित भौतिकी को अनुकूलित नहीं कर सकती है, परिणाम दहन प्रणालियों के "डिजिटल ट्विन्स" बनाने के लिए एक स्पष्ट मार्ग का सुझाव देते हैं जो कुशल और विश्वसनीय दोनों हों। यह दृष्टिकोण अंततः इंजीनियरों को बिजली संयंत्रों से लेकर विमान इंजनों तक, सब कुछ में सुरक्षा और दक्षता में सुधार करने के लिए, आग की गर्जना में से कुछ प्रमुख सुरों को सुनकर, जटिल दहन प्रक्रियाओं की वास्तविक समय में निगरानी और नियंत्रण करने में सक्षम बना सकता है।