A Stochastic and Bayesian Inference Toolchain for Uncertainty and Risk Quantification of Rare Autoignition Events in Dry Low-Emission Premixers
Notice bibliographique
Résumé
Abstract Quantification of aleatoric uncertainties due to the inherent variabilities in operating conditions and fuel composition is essential for designing and improving premixers in dry low-emissions (DLE) combustion systems. Advanced stochastic simulation tools require a large number of evaluations in order to perform this type of uncertainty quantification (UQ) analysis. This task is computationally prohibitive using high-fidelity computational fluid dynamic (CFD) approaches such as large eddy simulation (LES). In this paper, we describe a novel and computationally efficient toolchain for stochastic modeling using minimal input from LES, to perform uncertainty and risk quantification of a DLE system. More specially, high-fidelity LES, chemical reactor network (CRN) model, beta mixture model, Bayesian inference and sequential Monte Carlo (SMC) are integrated into the toolchain. The methodology is applied to a practical premixer of low-emission combustion system with dimethyl ether (DME)/methane–air mixtures to simulate auto-ignition events at different engine conditions. First, the benchmark premixer is simulated using a set of LESs for a methane/air mixture at elevated pressure and temperature conditions. A partitioning approach is employed to generate a set of deterministic chemical reactor network (CRN) models from LES results. These CRN models are then solved at the volume-average conditions and validated by LES results. A mixture modeling approach using the expectation-method of moment (E-MM) is carried out to generate a set of beta mixture models and characterize uncertainties for LES-predicted temperature distributions. These beta mixture models and a normal distribution for DME volume fraction are used to simulate a set of stochastic CRN models. The Bayesian inference approach through SMC method is then implemented on the results of temperature distributions from stochastic CRN models to simulate the probability of auto-ignition in the benchmark premixer. The results present a very satisfactory performance for the stochastic toolchain to compute the auto-ignition propensity for a few events with a particular combination of inlet temperature and DME volume fraction. Characterization of these rare events is computationally prohibitive in the conventional deterministic methods such as high-fidelity LES.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».