Artificial neural network chemistry solving for high-pressure hydrogen–air combustion
Notice bibliographique
Résumé
The simulation of the time evolution of chemical species in hydrogen flames by artificial neural networks (ANN) is discussed for operating conditions representative of aeronautical combustion chambers, e.g., above the atmospheric pressure, in the presence of recirculating burnt gases and secondary air-dilution. This machine learning strategy aims at replacing the integration of ordinary differential equations for the computation of chemical source terms, which can be costly, particularly at high-pressure conditions. The training database is obtained from a population of stochastic particles undergoing turbulent micro-mixing and chemical reactions. The ANN performance is then validated a posteriori on the same micro-mixing canonical problem, replacing the chemistry integration with the ANN regression. Various operating conditions are addressed in terms of global fuel/air ratio, dilution by cooling air, and burnt gases, at 1 bar and 20 bars pressure levels. Two chemical schemes are employed: a 9-species mechanism for H 2 chemistry and a 15-species mechanism containing a reduced NOx sub-mechanism. Various neural network training methodologies from the literature are tested and compared. It is found that the most effective strategies lie in data addition, underlying the importance of the database in ANN training procedures. Furthermore, existing methodologies fail when accounting for NOx chemistry. An alternative network architecture and training method are therefore proposed and tested. The accurate monitoring of atomic mass conservation is also addressed. • The time integration by neural networks of stiff H 2 -air chemical systems is studied. • A strategy is discussed to build training databases for conditions representative of aeronautical combustion chambers. • Three different methodologies are evaluated to organize the database and the neural networks architecture. • The influence on the network accuracy of the background pressure (from 1 to 20 bars) is examined. • A methodology is proposed to predict with neural networks both the major and intermediate species, including NOx.
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 | 0,000 |
| 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 ».