syoukera
commented
4 years ago LESで算出したスケールから、畳み込みニューラルネットワークを用いて導出されたフィルター後の火炎のマニホールドへの直接マッピング
乱流予混合火炎のラージエディシミュレーションのフィルター後の進行変数の輸送方程式における未算出の項についての、畳み込みニューラルネットワークを用いた単一のモデリングフレームワークを提案する。フィルター後の進行変数の生成項と未導出のスカラー輸送項を予測する畳み込みニューラルネットワークを学習させるために、乱流予混合量論メタン/空気噴流火炎の直接数値計算データベースを使用した。ネットワークへの全ての入力を計算するために、ラージエディシミュレーションで簡易に利用可能な単一の変数（すなわち、ファーブルフィルター後の進行変数）が必要となる。乱流火炎の化学反応（予混合火炎面モデル）の文脈では、異なる物理とフィルターサイズのばらつきにも関わらず、追加の輸送方程式をとく必要なしに、学習後のネットワークはアプリオリの解析の全ての未導出の項について定量的に良好な予測を示した。本研究で提案するフレームワークは深層学習の、未導出の生成、輸送項を含む非線型空力熱化学方程式モデリングへの応用についての方針を切り開いた。
https://doi.org/10.1016/j.combustflame.2019.08.014
Abstract A unified modelling framework for all unresolved terms in the filtered progress variable transport equation in large-eddy simulations of turbulent premixed flames is proposed, using convolutional neural networks. A direct numerical simulation database of a turbulent premixed stoichiometric methane/air jet flame is used in order to train convolutional neural networks to predict both the filtered progress variable source term and the unresolved scalar transport terms. A single variable readily available from the large-eddy simulation is required in order to calculate all inputs to networks, namely the Favre-filtered progress variable . In the context of flame tabulated chemistry (premixed flamelet), the trained networks are shown to produce quantitatively good predictions of all unresolved terms in an a priori study, despite their different nature and irrespective of variations in filter size, without having to resort to solving any additional transport equations. The framework proposed in this study thus opens perspectives for the application of deep learning to the modelling of the non-linear aerothermochemistry equations which involve unresolved source and transport terms.