Artificial neural networks for the application to reactive flow simulations

Abstract

Combustion reactions abound in nature and are of extreme importance in today’s human civilization, with many critical industrial activities depending -or relying heavily on them. Metal refining, energy production, transportation, and even space exploration are among the myriad of ventures that are contingent on combustion processes.Simulations using Computational Fluid Dynamics (CFD) allow for the optimization of combustion related processes by enabling the testing of different scenarios, without the need of setting up costly experimental procedures. Reactive turbulent flows are an application that can benefit greatly from the use of well calibrated computational models, however, there is an added complexity by needing to account for the interaction between turbulence and chemical reactions. The Eddy Dissipation Concept (EDC) is chosen as a combustion model, since it offers an acceptable balance between accuracy and computational cost, and can be applied in combination with any turbulence model. Unfortunately, its use requires the solution of a system of stiff ordinary differential equations for the calculation of the reaction rates of chemical species. This can become computationally expensive as the number of species and reactions grows.Though proposed in the 1950’s, the use of Artificial Neural Network (ANN) have exploded in popularity over the last decade with use over a broad range of fields like autonomous driving, image recognition and natural language processing. More interestingly, mathematical results from the early 1990’s show their ability to approximate any continuous function under the right conditions. The applicability of ANN as a replacement of a numerical integrator used for solving the Ordinary Differential Equation (ODE) system resulting from the EDC in turbulent reacting flows was tested. Several ANN architectures were trained by an appropriately generated dataset, and then tested against an ODE numerical solver. The error propagation and computational speed-up were studied experimentally, and limits were determined for the complexity of a network architecture in terms of its speed-up.ANN’s with the best performance were coupled with OpenFOAM® in order to simulate the Sandia Flame D, a piloted methane-air jet flame developed by the Sydney University and compare it with the wide available experimental data from the Sandia National Laboratories. The results reveal that ANN provide an accurate substitute of an ODE solver, however still with room for improvement, provided better training can be achieved under the limits of complexity that were also obtained.

Verbrennungsreaktionen kommen häufig in der Natur vor und sind heutzutage ausgesprochen wichtig in der menschlichen Gesellschaft, da viele essentielle industrielle Prozesse von ihnen abhängen. Metallverarbeitung, Energiebereitstellung, Transport oder sogar Weltraumforschung gehören zu den unzähligen Vorgängen, die auf Verbrennungsprozessen aufbauen. Simulationen mit Hilfe von Strömungssimulation (CFD) erlauben die Optimierung von Verbrennungsprozessen, da sie es ermöglichen verschiedene Varianten zu testen ohne teure experimentelle Anlagen aufzubauen. Reaktive Strömungen sind eine Anwendung, die von solchen gut kalibrierten Modellen profitieren kann. Allerdings bringen die Interaktionen zwischen Turbulenz und chemischen Reaktionen eine zusätzliche Komplexität. Das Eddy Dissipation Concept (EDC) wird in dieser Arbeit als Verbrennungsmodell gewählt, da es einen akzeptablen Mittelweg zwischen Genauigkeit und Rechenaufwand bringt und mit einem beliebigen Turbulenzmodell verwendet werden kann. Leider bedingt die Verwendung des EDC die Lösung eines Systems steifer gewöhnlicher Differentialgleichungen mit sich, um die Änderung der Spezieskonzentrationen zu berechnen. Dies kann rechentechnisch sehr aufwändig werden, speziell wenn die Zahl der Spezies und Reaktionen steigt. Obwohl schon in den 1950ern entstanden, ist im letzten Jahrzehnt die Verwendung von Neuronalen Netzen explodiert und findet Anwendung in Bereichen wie autonomes Fahren, Bilderkennung und Spracherkennung. Ergebnisse aus den frühen 1990er Jahren zeigen deren Fähigkeit eine beliebige kontinuierliche Funktion, unter den richtigen Bedingungen, zu approximieren. Die Anwendbarkeit von Neuronalen Netzen als Ersatz eines numerischen Integrators zur Lösung eines gewöhnlichen Differentialgleichungssystems, stammend vom EDC, wurde in dieser Arbeit getestet. Verschiedene Architekturen wurden trainiert und mit der numerischen Lösung verglichen. Die Fehlerfortpflanzung und die Steigerung der Rechengeschwindigkeit wurden untersucht und Limits für die Komplexität der Netzwerkarchitektur bezogen auf die Rechengeschwindigkeit wurden abgeleitet. Die besten Neuronalen Netzwerke wurden mit OpenFOAM gekoppelt, um Sandia Flame D, eine Laborflamme aus einem Methan-Luft-Gemisch zu simulieren und mit den verfügbaren experimentellen Daten zu vergleichen. Die Ergebnisse zeigen, dass das Neuronale Netz den numerischen Löser ersetzen kann, allerdings ist hier noch Raum für Verbesserungen gegeben, zum Beispiel durch optimierte Trainingsdaten.