Моделирование динамики горения водорода при помощи полносвязной нейронной сети UNET

Расчет физико-химических взаимодействий газодинамических процессов, проходящих в двигателях, является трудоемкой задачей. Если рассчитывается нестационарный процесс, включающий такие физические явления, как детонация, зажигание горючей смеси, распространение волн горения, то получение расчетных данных даже за весьма малое физическое время требует долгой работы суперкомпьютерных систем. Попытка же ускорить время расчета обычными для этого простыми методами, такими как огрубление расчетной сетки или экстраполяция результатов, полученных на начальном этапе расчета, на значительно больший временной период, не гарантирует отсутствия грубых отклонений численной от исходной математической модели. В настоящей работе рассматривается задача горения водорода с кислородом в присутствии нейтральных элементов (азот (N2) и аргон (Ar)). В процессе горения образуются различные водородно-кислородные соединения (H2, O2, H2O, OH, HO2, H2O2, H, O), меняется температура смеси. Такой процесс преобразования веществ описывается 28 уравнениями химических реакций (механизм GriMech 3.0 (1999)). В итоге требуется проследить развитие данной системы от некоторого начального состояния на несколько шагов по времени. В настоящей работе показано, что нейросетевая архитектура UNET может быть успешно применена к задаче предсказания детерминированных многомерных временных рядов, а именно моделирования химических процессов горения, описываемых жёсткой системой обыкновенных дифференциальных уравнений. Используя её, нам удалось обучить компактную модель, которая может аппроксимировать изменения концентраций веществ в смеси в процессе химических реакций с высокой степенью точности, достаточной чтобы рекуррентно получать предсказание на сотни и даже тысячи шагов интегрирования вперёд, занимая при этом на порядок меньше времени вычисления, чем численное интегрирование. Данная работа является развитием идей, описанных в работе [1]. Изменив нормировку данных и немного архитектуру сети (см. рисунок), удалось не только улучшить точность и надежность нейронной сети, но и уменьшить вычислительные затраты.
[1] V.B. Betelin, B.V. Kryzhanovsky, N.N. Smirnov, V.F. Nikitin, I.M. Karandashev, M. Yu Malsagov, E.V. Mikhalchenko, Neural network approach to solve gas dynamics problems with chemical transformations, Acta Astronautica, 2020, ISSN 0094-5765, https://doi.org/10.1016/j.actaastro.2020.11.058