技術要約：アンモニア／天然ガス燃焼の深層学習による高度化

問題提起

アンモニア／天然ガスの燃焼を正確に数値シミュレーションすることは、ゼロカーボンエネルギーシステムの開発において極めて重要である。しかし、高忠実度シミュレーションは、種濃度進化を支配する高次元で硬い（stiff）化学常微分方程式（ODE）を解く必要があるため、計算コストが非常に高い。本研究で使用されている59種356反応の精密化学反応メカニズムのような詳細化学モデルでは、化学反応の評価が全計算時間の90%以上を占めることがある。

深層学習（DL）は従来のODEソルバーの代替手段として期待されているが、主に2つの課題がアンモニア燃焼への適用を阻んでいる：

1. データの不均衡（Data Imbalance）： 標準的な火炎から得られる訓練データセットは、急激な熱化学的勾配（例：火炎面）において、急速な化学変化が起こる領域を十分に表現できていないことが多く、反応帯におけるモデルの汎用性を低下させる。
2. マルチスケールなターゲット予測： 種濃度の変化は数桁にわたる（$10^{-25}$から$10^{-5}$まで）。標準的な回帰手法では、このような極端に異なるスケール間で精度を維持することが困難であり、特に低温領域における極めて小さな濃度変化の予測に失敗し、物理的な整合性が損なわれる。

手法

本研究は、アンモニア／メタン混合燃料（60% NH$_3$/40% CH$_4$）に合わせて設計された、硬いODEを解くための火炎化学キネティクス用深層学習（DFODE）フレームワークを提案する。この手法は、以下の3つのコアコンポーネントを通じて特定された課題に対処している。

1. 物理学に基づいたデータ拡張（Physics-Aware Data Augmentation）

火炎面付近でのサンプリングの偏りを克服するため、著者らは1次元（1D）の自由伝播予混合層流火炎に基づく2段階の拡張戦略を導入した。

• 火炎構造の補間（Flame Structure Interpolation）： 既存の熱化学状態間に対して、等間隔の温度間隔で線形補間を行う。これにより、物理的に一貫しており、かつ反応帯を代表する追加の状態が生成され、温度スペクトル全体にわたってデータセットのバランスが効果的に調整される。
• 制約付きランダム摂動（Constrained Random Perturbation）： 組成空間のカバー範囲を広げ、多次元輸送効果をシミュレートするために、温度、圧力、および種質量分率に対してランダムな摂動を適用する。重要な点として、これらの摂動は、非物理的な状態を排除するために、物理的な基準（温度境界、窒素質量分率の制限、および発熱率フィルタなど）によって制約されている。

2. マルチスケール・ターゲットのためのスケール分離変換

種濃度の変化（$\Delta Y$）の広いダイナミックレンジを扱うためのターゲット定式化戦略を評価する。

• 既存手法の評価： 絶対濃度にBox-Cox変換を適用する方法（$Box-Cox(Y(t+\Delta t)) - Box-Cox(Y(t))$）を分析した。その結果、この定式化は大きな濃度に対しては有効であるが、初期の種質量分率がゼロ付近にない場合、非単調なマッピング挙動により、極めて小さな変化（$<10^{-15}$）を確実に予測できないことが判明した。
• 提案されるべきべき乗変換（Power Transformation）： 新しいターゲット定式化として、$F[\Delta Y] = \text{sign}(\Delta Y) \cdot |\Delta Y|^\lambda / \lambda$（$\lambda=0.1$）を導入する。絶対濃度ではなく濃度の「変化」に対して非線形変換を直接適用することで、この手法は低マグニチュードの領域を「圧縮解除（decompresses）」し、小さなターゲットに対する安定性を向上させる。
• ハイブリッド戦略： パフォーマンス分析に基づき、ハイブリッドなモデリング手法を採用した。すなわち、温度が1000 Kを超える場合はBox-Cox定式化を使用し、305 Kから1000 Kの間ではべき乗変換（PT）定式化を適用する。

3. モデルアーキテクチャと検証

• アーキテクチャ： 局所的な熱化学パラメータ（$T, p, Y$）から種の増分をマッピングするために、4つの隠れ層（各800ニューロン）を持つ多層パーセプトロン（MLP）を訓練した。
• 検証： モデルはまず1次元層流火炎で検証された。その後、訓練されたDFODEモデルを結合したdfLowMachFoamソルバーを用いた、2次元（2D）均質等方性乱流（HIT）火炎シミュレーションにおいて、a posteriori（事後）評価が行われた。

主な結果

1. データ拡張の影響

1D火炎シミュレーションにおける比較分析により、補間なしで訓練されたモデルは、重要な火炎特性を捉えられないことが示された。具体的には、最大発熱率を過小評価し、種プロファイルにおいて非物理的な挙動（例：CH$_4$質量分率の誤った増加や、OHおよびOといった中間種の予測不全）を示す。補間によって拡張されたデータセットは、特に反応帯において、CVODE参照解との一致を大幅に改善した。

2. 変換戦略の性能

• 小スケール予測指数（SSPI）： PTモデルは、テストセットの$10^{-15}$以下のターゲットに対して0.9874のSSPIを達成した（Box-Coxモデルは0.6900）。
• 誤差分析： BCモデルは、低温度状態における小さなターゲットに対して大きな絶対誤差（最大$10^{-5}$）を示すが、PTモデルは誤差を$10^{-12}$程度に維持している。
• ハイブリッドアプローチ： ハイブリッドモデル（$T > 1000$ KではBC、$305 < T < 1000$ KではPT）は、グローバルな火炎ダイナミクスと詳細な低温化学キネティクスの両方を正常に捉えた。

3. 2D乱流火炎シミュレーション

2D HITシミュレーションにおいて：

• 火炎ダイナミクス： ハイブリッドDFODEモデルは、火炎面積の経時変化を高精度に再現し、CVODE参照解と一致した。
• 種分布： ハイブリッドモデルは、主要な種（NH$_3$）および中間種（NO$_2$, C$_3$H$_7$）の空間分布を正確に予測した。これは、BCのみのモデルが失敗する混合領域においても同様である。
• 計算速度向上： GPU上でDFODEモデルに化学計算をオフロードすることにより、化学源項計算において526倍の高速化、およびエンドツーエンドのCFDシミュレーション時間において20倍の高速化を達成した。

意義と主張

本論文は、アンモニア／天然ガス燃焼における複雑な化学キネティクスに深層学習を適用するための、スケーラブルで堅牢な手法を提示していると主張している。その主な貢献は以下の通りである：

1. データの質： 物理学に基づいたデータ拡張（補間 ＋ 制約付き摂動）が、単一の標準的な1D火炎で訓練されていても、乱流条件に汎用できる堅牢なサロゲートを訓練するために不可欠であることを示した。
2. ターゲット定式化： 標準的なターゲット定式化は燃焼におけるマルチスケール・ターゲットの扱いに苦慮することを確立し、低濃度種における低温度領域での予測信頼性を大幅に高めるスケール分離戦略（べき乗変換）を提案した。
3. 効率性： これらの改良により、アンモニア混合燃料の高忠実度シミュレーションにおいて20倍の計算コスト削減が可能であることを検証し、効率的なゼロカーボンエネルギーシステムの開発を支援するものである。

著者らは、このフレームワークがアンモニアモデリングへの機械学習の適用を前進させるだけでなく、他の複雑な燃料にも拡張可能な汎用的なアプローチを提供し、ゼロカーボンエネルギー技術の最適化を促進すると結論付けている。