Deep learning for subgrid-scale modeling in large eddy simulations of turbulent premixed combustion - TEL - Thèses en ligne Accéder directement au contenu
Thèse Année : 2022

Deep learning for subgrid-scale modeling in large eddy simulations of turbulent premixed combustion

Apprentissage automatique profond pour la modélisation de sous-maille en simulations aux grandes échelles de combustion prémélangée turbulente

Résumé

In a century defined by climate change and data abundance, combustion is moving towards new opportunities created by the digital revolution. Large eddy simulations (LES) of full-scale practical combustion systems are becoming tractable, but their predictive power hinges on the accuracy of the subgrid-scale (SGS) models that account for unresolved turbulent combustion physics. Deep learning (DL) has recently been used to train data-driven SGS models that achieve excellent accuracy in a priori tests. Yet, there are still hardly any applications of DL SGS models in LES of practical combustion systems. This work investigates three elements that must be addressed to enable the adoption of deep learning in practical LES of turbulent premixed combustion: evaluating DL models on high Reynolds test cases, ensuring their ability to generalize beyond their training configuration, and implementing a computationally efficient integration of DL models to high-performance LES solvers. Three DL models that gradually include each of these elements are developed. They are based on U-Net convolutional neural networks (CNNs) trained on downsampled filtered snapshots of direct numerical simulations. First, a model for the total flame surface density is trained on the R2 high Reynolds turbulent jet flame. Excellent a priori generalization to higher Reynolds numbers and to LES snapshots is observed, and insights on the inner workings of the model are provided. Second, a CNN model for the SGS variance of the progress variable is trained on a statistically planar turbulent flame. With a Pfitzner source term formulation and a beta probability density function closure, it is able to accurately predict a priori the SGS variance and the filtered reaction rate on the R2 jet flame, thus demonstrating its ability to generalize to new configurations. Third, the AVBP-DL coupling strategy is developed to enable DL models to be queried by the AVBP solver with negligible computational overhead. Finally, the Masri vented obstructed explosion test case is used to test a posteriori a CNN model for the SGS wrinkling factor trained on the statistically planar turbulent flame. The model predicts the right peak overpressure, but this results from a compensation between excessive wrinkling in the initial laminar phase and insufficient wrinkling in the critical turbulent propagation stage. Several attempts to correct this behavior are then explored.
Dans un siècle défini par le changement climatique et l'abondance de données, la combustion se dirige vers de nouvelles opportunités créées par la révolution numérique. Les simulations aux grandes échelles (Large Eddy Simulations, LES) de systèmes de combustion à échelle réelle deviennent réalisables, mais leur capacité prédictive se base sur la précision de modèles de sous-maille (Subgrid-Scale, SGS) qui tiennent compte de l'activité de combustion turbulent non résolue. L'apprentissage automatique profond (Deep Learning, DL) a récemment été utilisé pour entraîner des modèles SGS basés sur les données qui atteignent une excellente précision lors de tests a priori. Toutefois, il n'y a toujours presque pas d'applications de modèles DL SGS à des LES de systèmes de combustion industriels. Ces travaux s'intéressent à trois éléments qui doivent être étudiés pour permettre l'adoption du DL dans des LES de combustion turbulente prémélangée : l'évaluation de modèles DL sur des cas tests à haut Reynolds, l'assurance de leur capacité à généraliser au-delà de leur configuration d'entraînement, et l'implémentation d'une intégration efficace de modèles DL à des solveurs LES haute performance. Trois modèles DL incluant graduellement chacun de ces éléments sont développés. Ils sont basés sur des réseaux de neurones convolutionnels (Convolutional Neural Networks, CNNs) U-Nets entraînés sur des instantanés filtrés et déraffinés de simulations numériques directes. Premièrement, un modèle pour la densité totale de surface de flamme est entraîné sur la flamme de jet turbulente à haut Reynolds R2. Une excellente généralisation a priori à de plus hauts nombres de Reynolds et à des instantanés LES est observée, et des aperçus sur le fonctionnement interne du modèle sont proposés. Dans un second temps, un modèle CNN pour la variance SGS de la variable de progrès est entraîné sur une flamme plane turbulente statistiquement stationnaire. Avec une formulation Pfitzner du terme source et une fermeture beta densité de probabilité, il est capable de prédire a priori avec précision la variance SGS et le taux de réaction filtré sur la flamme de jet R2, démontrant ainsi sa capacité à généraliser à de nouvelles configurations. Troisièmement, la stratégie de couplage AVBP-DL est développée pour permettre à des modèles DL d'être interrogés par le solveur AVBP avec un surcoût de calcul négligeable. Enfin, le cas test d'explosion aérée et obstruée Masri est utilisé pour tester a posteriori un modèle CNN pour le facteur de plissement SGS entraîné sur la flamme plane turbulente statistiquement stationnaire. Le modèle prédit la bonne suppression maximale, mais ceci résulte d'une compensation entre un plissement excessif lors de la phase initiale laminaire et d'un plissement insuffisant durant l'étape critique de propagation turbulente. Plusieurs tentatives de correction de ce comportement sont ensuite explorées.
Fichier principal
Vignette du fichier
XING_Victor.pdf (18.47 Mo) Télécharger le fichier
Origine Version validée par le jury (STAR)

Dates et versions

tel-04248430 , version 1 (18-10-2023)

Identifiants

  • HAL Id : tel-04248430 , version 1

Citer

Victor Xing. Deep learning for subgrid-scale modeling in large eddy simulations of turbulent premixed combustion. Fluids mechanics [physics.class-ph]. Institut National Polytechnique de Toulouse - INPT, 2022. English. ⟨NNT : 2022INPT0078⟩. ⟨tel-04248430⟩
95 Consultations
12 Téléchargements

Partager

Gmail Mastodon Facebook X LinkedIn More