Forecasting through deep learning and modal decomposition in two-phase concentric jets

要約

タイトル: 二相同心噴流における深層学習とモーダル分解による予測

要約:
– 燃料室噴射装置の性能を向上させ、汚染物質の削減につなげるため、二相同心噴流での燃料/空気混合物のリアルタイム予測に向けたモデル開発が必要。
– しかし、これまでの研究では、実験データの使用（計測が困難）や、完全な問題の数値解法（計算が困難）が行われており、リアルタイム予測を行うためのツールの開発が困難であった。
– そこで、深層学習と単相流数値シミュレーションを組み合わせたアプローチを提案している。これにより、タンジェンシャル不連続性が存在する状態下で、二相流の混合過程を予測することができる。
– 2つのニューラルネットワークモデルを使用し、将来の動力学を予測する。これにより低いコンピューターのコストがかかる。
– データの複雑さを減らすため、モーダル分解技術である高次動的モード分解（HODMD）を使用して、NNのトレーニングを改善する方法も示している。
– 本研究の主要なアイデアは、複雑な流体力学問題でのデータ予測において、ディープラーニングモデルの適用可能性の限界をテストすることである。モデルの汎化能力を示すために、同じNNアーキテクチャを使用して4つの異なる二相流の将来の動力学を予測している。

要約(オリジナル)

This work aims to improve fuel chamber injectors’ performance in turbofan engines, thus implying improved performance and reduction of pollutants. This requires the development of models that allow real-time prediction and improvement of the fuel/air mixture. However, the work carried out to date involves using experimental data (complicated to measure) or the numerical resolution of the complete problem (computationally prohibitive). The latter involves the resolution of a system of partial differential equations (PDE). These problems make difficult to develop a real-time prediction tool. Therefore, in this work, we propose using machine learning in conjunction with (complementarily cheaper) single-phase flow numerical simulations in the presence of tangential discontinuities to estimate the mixing process in two-phase flows. In this meaning we study the application of two proposed neural network (NN) models as PDE surrogate models. Where the future dynamics is predicted by the NN, given some preliminary information. We show the low computational cost required by these models, both in their training and inference phases. We also show how NN training can be improved by reducing data complexity through a modal decomposition technique called higher order dynamic mode decomposition (HODMD), which identifies the main structures inside flow dynamics and reconstructs the original flow using only these main structures. This reconstruction has the same number of samples and spatial dimension as the original flow, but with a less complex dynamics and preserving its main features. The core idea of this work is to test the limits of applicability of deep learning models to data forecasting in complex fluid dynamics problems. Generalization capabilities of the models are demonstrated by using the same NN architectures to forecast the future dynamics of four different two-phase flows.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI