論文の概要: Machine Learning-Driven Chemical Reactor Network Modeling of the Sandia-D Flame

• arxiv url: http://arxiv.org/abs/2606.14729v1
• Date: Mon, 01 Jun 2026 22:52:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-21 20:00:42.751197
• Title: Machine Learning-Driven Chemical Reactor Network Modeling of the Sandia-D Flame
• Title（参考訳）: Sandia-D Flameの機械学習駆動型ケミカルリアクターネットワークモデリング
• Authors: Nicolas J. Tricard, Benjamin C. Koenig, Sili Deng,
• Abstract要約: 乱流燃焼シミュレーションは多くの科学・工学系にとって不可欠である。 等価反応器ネットワーク(ERN)アプローチは、多次元乱流シミュレーションをより安価な0-Dと1-Dの反応器に置き換えることで、計算効率を向上させる。 本研究では,サンディアD乱流メタン/空気火炎のERNを構築するための機械学習支援フレームワークを開発する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Turbulent combustion simulations are crucial for many scientific and engineering systems. However, the high cost to fully resolve the complex multiscale and multiphysics behavior makes direct simulation typically infeasible. The equivalent reactor network (ERN) approach attempts to improve computational efficiency by replacing a multidimensional turbulent simulation with a series of much cheaper 0-D and 1-D chemical reactors, providing a surrogate model that retains detailed chemistry at the cost of simplified flow physics. However, their development remains a challenge, often requiring either expert analysis, or automated approaches that sacrifice accuracy. In this work, we develop an automated machine-learning-assisted framework for constructing ERNs of the Sandia-D turbulent methane/air flame. Principal component analysis is first used to reduce high-dimensional thermochemical computational fluid dynamics (CFD) data to a low-dimensional latent space, where k-means clustering identifies physically interpretable flame regions used to initialize a reactor-network graph. This initialization is then refined using finite-difference gradient descent wrapped around non-differentiable Cantera reactor simulations. Across 30 RANS simulations spanning a range of pilot temperatures and inlet methane compositions, the optimized 7-reactor ERN achieves a maximum-temperature $R^2$ score of 0.7945 while preserving a $\sim6000\times$ speedup over the CFD solver. Outlet CO prediction remains more challenging, with a final $R^2$ score of $-0.4183$, but improves substantially from the unoptimized clustering initialization. These results show that unsupervised thermochemical feature extraction can provide effective physics-informed initializations for ERN construction, while gradient-based refinement can significantly improve predictive accuracy without manual reactor-network design.
• Abstract（参考訳）: 乱流燃焼シミュレーションは多くの科学・工学系にとって不可欠である。 しかし、複雑なマルチスケールおよびマルチフィジカルな振る舞いを完全に解決するコストが高いため、直接シミュレーションは一般的に不可能である。 等価反応器ネットワーク (ERN) のアプローチは、多次元乱流シミュレーションをより安価な0-Dと1-Dの反応器に置き換えることで計算効率を向上し、単純化された流れ物理学のコストで詳細な化学を維持できる代理モデルを提供する。 しかしながら、彼らの開発は依然として課題であり、多くの場合、専門家分析か、正確性を犠牲にする自動化アプローチが必要である。 本研究では,サンディアD乱流メタン/空気火炎のERNを構築するための機械学習支援フレームワークを開発する。 主成分分析は、まず高次元熱化学計算流体力学(CFD)データを低次元潜在空間に還元するために用いられる。 この初期化は、非微分可能カンテラ反応器のシミュレーションでラップされた有限差勾配勾配を用いて洗練される。 パイロット温度とインレットメタン組成にまたがる30のRANSシミュレーションにおいて、最適化された7リアクターERNは最高温度のR^2$スコア0.7945を達成し、CFDソルバ上では\sim6000\times$スピードアップを保った。 アウトレットCO予測は、最終的な$R^2$は$-0.4183$であるが、最適化されていないクラスタリングの初期化から大幅に改善されている。 これらの結果から, 教師なし熱化学的特徴抽出は, ERN構築に有効な物理インフォームド初期化を実現することができる一方で, 勾配に基づく改良は手動のリアクトル・ネットワーク設計なしで予測精度を著しく向上させることができることがわかった。

関連論文リスト

• A Kolmogorov-Arnold Surrogate Model for Chemical Equilibria: Application to Solid Solutions [0.0]
  既存のセメントシステムベンチマークに基づいて代理モデルをトレーニングする。 次に, 原子力廃棄物の地質処分の申請事例に移行する。 我々の知る限りでは、この研究は放射性核種による共沈を初めて研究したものである。
  論文  参考訳（メタデータ） (2026-03-16T14:04:53Z)
• Robust Machine Learning Framework for Reliable Discovery of High-Performance Half-Heusler Thermoelectrics [0.0]
  機械学習(ML)は、環境危機に対処するための効率的な熱電(TE)材料発見を促進する。 MLモデルは、高いメトリクスにもかかわらず、しばしば実験的な一般化性に悩まされる。 本研究は、半ハウスラー(hH)構造プロトタイプに適用した頑健なワークフローを有益(zT)予測に適用する。
  論文  参考訳（メタデータ） (2026-02-01T10:50:42Z)
• Accelerating Radiative Transfer for Planetary Atmospheres by Orders of Magnitude with a Transformer-Based Machine Learning Model [0.0044302156879028705]
  機械学習による放射移動をエミュレートすると、惑星大気モデル内のより高速で正確なルーチンが生まれる。 太陽熱木星大気を表す1Dプロファイルに基づいて,エンコーダのみのトランスフォーマーニューラルネットワークアーキテクチャを用いた放射移動エミュレータを開発した。
  論文  参考訳（メタデータ） (2025-10-30T23:38:53Z)
• Efficient Exploration of Chemical Kinetics [0.0]
  反応速度と化学的安定性を推定することは基本的な方法であるが、大規模シミュレーションの効率的な方法は到達できないままである。 この論文は Optimal Transport Gaussian Process framework において、物理表現、統計モデル、システムアーキテクチャを共設計する全体解を提示する。
  論文  参考訳（メタデータ） (2025-10-24T11:52:08Z)
• Differentiable multiphase flow model for physics-informed machine learning in reservoir pressure management [44.41703936689344]
  完全に微分可能な多相流シミュレータを結合した物理インフォームド機械学習ワークフローを提案する。 CNNは、不均一な透水性フィールドからの流体抽出速度を予測し、臨界貯水池の圧力制限を強制する。 本研究では, 3 万以上の完全物理多相流シミュレーションにより, 高精度な学習が可能であることを示す。
  論文  参考訳（メタデータ） (2025-08-26T20:38:02Z)
• Fourier Neural Operator based surrogates for $CO_2$ storage in realistic geologies [57.23978190717341]
  我々は,$CO$ plume マイグレーションのリアルタイム・高分解能シミュレーションのためのニューラル演算子(FNO)モデルを開発した。 このモデルは、現実的な地下パラメータから生成された包括的なデータセットに基づいて訓練される。 本稿では,実際の地質学的位置を評価する上で重要なモデルから予測の信頼性を向上させるための様々な戦略を提案する。
  論文  参考訳（メタデータ） (2025-03-14T02:58:24Z)
• Gradual Optimization Learning for Conformational Energy Minimization [69.36925478047682]
  ニューラルネットワークによるエネルギー最小化のためのGradual Optimization Learning Framework(GOLF)は、必要な追加データを大幅に削減する。 GOLFでトレーニングしたニューラルネットワークは,種々の薬物様分子のベンチマークにおいて,オラクルと同等に動作することを示す。
  論文  参考訳（メタデータ） (2023-11-05T11:48:08Z)
• Applying Physics-Informed Enhanced Super-Resolution Generative Adversarial Networks to Turbulent Premixed Combustion and Engine-like Flame Kernel Direct Numerical Simulation Data [0.0]
  この研究は、最近開発されたPIESRGANによる乱流予混合燃焼のモデリング手法を推し進めている。 その結果, 全乱流予混合火炎核の直接数値シミュレーションデータに対して, 先行実験と後続試験に良好な結果が得られた。
  論文  参考訳（メタデータ） (2022-10-28T15:27:46Z)
• Machine learning for rapid discovery of laminar flow channel wall modifications that enhance heat transfer [56.34005280792013]
  任意の, 平坦な, 非平坦なチャネルの正確な数値シミュレーションと, ドラッグ係数とスタントン数を予測する機械学習モデルを組み合わせる。 畳み込みニューラルネットワーク(CNN)は,数値シミュレーションのわずかな時間で,目標特性を正確に予測できることを示す。
  論文  参考訳（メタデータ） (2021-01-19T16:14:02Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。