مدلسازي اندركنش شعله پيش مخلوط با اغتشاشات ميدان جريان براساس شبيه سازي گردابه هاي بزرگ (LES) با به كارگيري شبكه عصبي مصنوعي در سينتيك شيميايي احتراق

Large Eddy Simulation of the Premixed Flame-Turbulence Interactions using Artificial Neural Network in Chemical Kinetics Tabulation

در اين تحقيق، كارآيي شبكه هاي عصبي مصنوعي به عنوان عامل انتگرالگير از دسته معادلات ديفرانسيلي غيرخطي حاكم بر سينتيك شيميايي احتراق در مدلسازي LES شعله پيش مخلوط مغشوش نشان داده شده است. آموزش شبكه عصبي مصنوعي براساس الگوريتم آموزشي خطاي پس انتشار صورت گرفته است كه در آن ضرايب مدل آموزشي به طور ديناميكي و سازگار با توپولوژي تابع خطا معين مي شوند. جدول بانك اطلاعاتي آموزش شبكه عصبي براساس مطالعات مستقل شعله با استفاده از مدل احتراقي زيرشبكه اي اختلاط خطي گردابه بنا شده است و شبكه عصبي آموزش ديده، به طور موفقيت آميز در سينتيك شيميايي مدلسازي LES اندركنش اغتشاشات ميدان جريان مغشوش با جبهه شعله در نسبت هاي هم ارزي و سطوح اغتشاشي مختلف استفاده شده است. نتايج اين تحقيق نشان مي دهد كه زماني كه شبكه هاي عصبي مصنوعي به درستي آموزش داده شوند، قادرند كه نرخ واكنش گونه هاي شيميايي را با دقت بسيار بالا و با بازدهي بالاتري به لحاظ هزينه هاي محاسباتي حافظه و زمان نسبت به روش هاي رايج انتگرالگيري مستقيم و جداول جستجوي مقادير پيش بيني كنند. نتايج حل عددي ميدان جريان نيز تطابق كاملي با نتايج مطالعات گذشته نشان مي دهند.

A large eddy simulation (LES) of premixed flame-turbulence interaction is performed with special emphasis on computing the instantaneous chemical species reaction rates with the recently developed approach of artificial neural networks (ANNs) for chemical kinetics. Training of the neural network is based on an independent flame study using linear eddy mixing technique. An analysis of computational performance, considering CPU time and a comparison between the performance of artificial neural network technique and other conventional methods is used to represent the chemical kinetics such as direct integration (DI) - and the ability of neural networks to model the highly non-linear and stiff chemistry ODEs is illustrated. The sub-grid combustion model of the LES is based on a linear eddy mixing model while a skeletal multi-species, multi-step chemical kinetic mechanism is applied for the combustion. A feed-forward, multi-layer architecture is chosen for the neural network and the training algorithm is based on a back-propagation gradient descent rule with adaptive learning rate and individual momentum factors for the weight coefficients. The flow field distribution and the flame characteristics obtained by LES with neural network based chemical kinetics tabulation, are in reasonable agreement with previous direct numerical simulation (DNS) study of the flame. The results show if the neural network is trained accurately, it can predict the instantaneous chemical species reaction rates in LES framework.