Technische Samenvatting: Verbetering van Deep Learning voor de Kinetica van Ammoniak/Aardgasverbranding

Probleemstelling

Nauwkeurige numerieke simulatie van ammoniak/aardgasverbranding is cruciaal voor de ontwikkeling van koolstofarme energiesystemen. Echter, hoogwaardige simulaties zijn computationeel te kostbaar vanwege de noodzaak om hoogdimensionale, stijve chemische gewone differentiaalvergelijkingen (ODE's) op te lossen die de evolutie van de concentratie van chemische soorten beheersen. In gedetailleerde chemische modellen, zoals het mechanisme met 59 soorten en 356 reacties dat in dit onderzoek wordt gebruikt, kan de evaluatie van chemie meer dan 90% van de totale rekentijd in beslag nemen.

Hoewel deep learning (DL) een potentieel surrogaat biedt voor traditionele ODE-integratoren, hinderen twee primaire uitdagingen de toepassing ervan op ammoniakverbranding:

1. Data-imbalans: Trainingsdatasets afgeleid van canonieke vlammen ondervertegenwoordigen vaak steile thermochemische gradiënten (bijv. de vlamfronten) waar snelle chemische veranderingen optreden, wat leidt tot een slechte generalisatie van het model in reactieve zones.
2. Multiscale Doelvoorspelling: Veranderingen in de concentratie van chemische soorten beslaan meerdere grootteordes (van $10^{-25}$ tot $10^{-5}$). Standaard regressiebenaderingen hebben moeite om nauwkeurigheid te behouden over dergelijke uiteenlopende schalen, waarbij ze met name falen in het voorspellen van extreem kleine concentratieveranderingen in regimes met lage temperaturen, wat de fysische consistentie in gevaar brengt.

Methodologie

De studie stelt een framework voor genaamd Deep learning for solving Flame chemical kinetics with stiff ODEs (DFODE), dat specifiek is afgestemd op ammoniak/methaanmengsels (60% NH$_3$/40% CH$_4$). De methodologie adresseert de geïdentificeerde uitdagingen via drie kerncomponenten:

1. Fysisch-bewuste Data-augmentatie

Om de sampling-imbalans nabij vlamfronten te overwinnen, introduceren de auteurs een tweestaps-augmentatiestrategie gebaseerd op eendimensionale (1D) vrij voortbewegende laminair gepremixte vlammen:

• Vlamstructuur-interpolatie: Lineaire interpolatie wordt uitgevoerd tussen bestaande thermochemische toestanden op gelijkmatig verdeelde temperatuurintervallen. Dit genereert aanvullende toestanden die fysisch consistent zijn en representatief zijn voor de reactieve zone, waardoor de dataset effectief over het temperatiespectrum wordt gebalanceerd.
• Beperkte Willekeurige Perturbatie: Om de dekking van de compositieruimte te verbreden en multidimensionale transporteffecten te simuleren, worden willekeurige perturbaties toegepast op temperatuur, druk en massafracties van chemische soorten. Cruciaal is dat deze perturbaties worden beperkt door fysische criteria (bijv. temperatuurgrenzen, stikstofmassafractie-limieten en warmteafgifte-filters) om niet-fysische toestanden te verwerpen.

2. Schaal-scheidende Transformatie voor Multiscale Doelen

De studie evalueert strategieën voor doelformulering om de brede dynamische reikwijdte van de veranderingen in chemische concentraties ($\Delta Y$) aan te pakken.

• Evaluatie van Bestaande Methoden: De auteurs analyseren de Box-Cox-transformatie toegepast op absolute concentraties ($Box-Cox(Y(t+\Delta t)) - Box-Cox(Y(t))$). Ze stellen vast dat hoewel deze formulering effectief is voor grotere concentraties, deze formulering faalt in het betrouwbaar voorspellen van extreem kleine veranderingen ($<10^{-15}$) wanneer de initiële massafracties niet nabij nul liggen, vanwege niet-monotoon mappinggedrag.
• Voorgestelde Machtstransformatie: Een nieuwe doelformulering wordt geïntroduceerd: $F[\Delta Y] = \text{sign}(\Delta Y) \cdot |\Delta Y|^\lambda / \lambda$ (met $\lambda=0.1$). Door de nietlineaire transformatie direct toe te passen op de concentratieverandering in plaats van op de absolute concentratie, "comprimeert" deze benadering het laag-magnitude regime minder, wat de stabiliteit voor kleine doelen verbetert.
• Hybride Strategie: Op basis van de prestatieanalyse wordt een hybride modelleringsbenadering gehanteerd: de Box-Cox-formulering wordt gebruikt voor temperaturen boven 1000 K, terwijl de Machtstransformatie (PT)-formulering wordt toegepast voor temperaturen tussen 305 K en 1000 K.

3. Modelarchitectuur en Validatie

• Architectuur: Een Multi-Layer Perceptron (MLP) met vier verborgen lagen (800 neuronen per laag) wordt getraind om lokale thermochemische parameters ($T, p, Y$) naar concentratieverschillen te mappen.
• Validatie: Modellen worden eerst gevalideerd in 1D laminair vlammen. Vervolgens wordt een a posteriori evaluatie uitgevoerd in een tweedimensionale (2D) homogene isotrope turbulente (HIT) vlamsimulatie met behulp van de dfLowMachFoam-solver gekoppeld aan de getrainde DFODE-modellen.

Belangrijkste Resultaten

1. Impact van Data-augmentatie

Een vergelijkende analyse in 1D-vlammenimulaties toont aan dat modellen die zonder interpolatie zijn getraind, kritieke vlamkenmerken niet kunnen vastleggen. Specifiek ondervoorspellen ze de maximale warmteafgifte en vertonen ze niet-fysisch gedrag in de profielen van chemische soorten (bijv. onjuiste toename van de CH$_4$-massafractie en slechte voorspelling van intermediaire soorten zoals OH en O). De met interpolatie-augmentatie verrijkte dataset verbetert de uitlijning met de CVODE-referentieoplossing aanzienlijk, met name in de reactieve zones.

2. Prestaties van Transformatiestrategieën

• Small-Scale Prediction Index (SSPI): Het Machtstransformatie (PT)-model bereikt een SSPI van 0,9874 op de testset voor doelen onder $10^{-15}$, vergeleken met 0,6900 voor het Box-Cox (BC)-model.
• Foutanalyse: Het BC-model vertoont grote absolute fouten (tot $10^{-5}$) voor kleine doelen in toestanden met lage temperatuur, terwijl het PT-model fouten rond de $10^{-12}$ behoudt.
• Hybride Benadering: Het hybride model (BC voor $T > 1000$ K, PT voor $305 < T < 1000$ K) legt zowel de globale vlamdynamica als de gedetailleerde kinetica bij lage temperaturen succesvol vast.

3. 2D Turbulente Vlamsimulatie

In 2D HIT-simulaties:

• Vlamdynamica: Het hybride DFODE-model reproduceert de temporele evolutie van het vlamoppervlak met hoge getrouwheid en komt overeen met de CVODE-referentieoplossing.
• Soortverdeling: Het hybride model voorspelt accuraat de ruimtelijke verdelingen van belangrijke chemische soorten (NH$_3$) en intermediaire producten (NO$_2$, C$_3$H$_7$), met name in mengingsregio's waar het BC-alleen model faalt.
• Computationele Versnelling: Door de chemische berekeningen te verplaatsen naar het DFODE-model op GPU's, bereikt de studie een 526$\times$ versnelling in de berekening van chemische brontermen en een 20$\times$ versnelling in de end-to-end CFD-simulatietijd vergeleken met CVODE-integratie.

Betekenis en Claims

Het artikel claimt een schaalbare en robuuste methodologie te presenteren voor het toepassen van deep learning op complexe chemische kinetica in ammoniak/aardgasverbranding. De primaire bijdragen zijn:

1. Datakwaliteit: Aantonen dat fysisch-bewuste data-augmentatie (interpolatie + beperkte perturbatie) essentieel is voor het trainen van robuuste surrogaten die generaliseren naar turbulente condities, zelfs wanneer ze getraind zijn op een enkele canonieke 1D-vlam.
2. Doelformulering: Vaststellen dat standaard doelformuleringen moeite hebben met multiscale doelen in verbranding en het voorstellen van een schaal-scheidende strategie (Machtstransformatie) die de betrouwbaarheid van de voorspelling voor concentraties met lage massa in regimes met lage temperatuur aanzienlijk verbetert.
3. Efficiëntie: Valideren dat deze verfijningen hoogwaardige simulaties van ammoniakmengsels mogelijk maken met een 20-voudige reductie in computationele kosten, wat de ontwikkeling van efficiënte koolstofarme energiesystemen ondersteunt.

De auteurs concluderen dat dit framework niet alleen de toepassingen van machine learning in ammoniakmodellering vooruithelpt, maar ook een veelzijdige benadering biedt die uitbreidbaar is naar andere complexe brandstoffen, wat de optimalisatie van koolstofarme energietechnologieën vergemakkelijkt.