A hybrid CFD-neural network framework for the early prediction of longitudinal thermo-acoustic instabilities in hydrogen-fueled gas turbine combustors
Notice bibliographique
Résumé
This study introduces a hybrid Computational Fluid Dynamics–Neural Network (CFD–NN) framework for real-time prediction of longitudinal thermo-acoustic instabilities in hydrogen-fueled gas turbine combustors—critical for future clean energy systems. A high-fidelity two-dimensional CFD model simulated hydrogen combustion and provided time-resolved pressure and heat release data. The Local Rayleigh Index (LRI) identified probe X 2 as a strong instability zone (LRI ≈ 10⁷ Pa·W), while X 1 , X 4 , and X 6 showed stable behavior. A feedforward neural network trained on early-stage data from probe X3 achieved high prediction accuracy (R² = 0.9998, Root Mean Square Error (RMSE = 924)) and delivered predictions ∼676× faster than CFD (∼334 predictions/s). By combining physics-based modeling with machine learning, this hybrid method enables real-time, physics-informed diagnostics, supporting smart combustor design and closed-loop control in next-gen hydrogen turbines. • A hybrid CFD–FNN framework is proposed for early prediction of thermoacoustic instability in hydrogen-fueled gas turbines. • High-fidelity 2D CFD extracted pressure and heat-release data at six probes, using the Rayleigh Index to identify instability. • Probe X3 enabled earliest instability detection, while X5 captured transitional dynamics supporting mid-stage prediction. • An FNN trained on probe X3 achieved R² = 0.9998, low RMSE, and delivered a 676× speed-up over CFD for real-time prediction. • The framework enables physics-informed real-time diagnostics, supporting closed-loop combustion control in hydrogen turbines.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 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 | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».