Data-driven framework for input/output lookup tables reduction: Application to hypersonic flows in chemical nonequilibrium - CNRS - Centre national de la recherche scientifique Accéder directement au contenu
Article Dans Une Revue Physical Review Fluids Année : 2023

Data-driven framework for input/output lookup tables reduction: Application to hypersonic flows in chemical nonequilibrium

Méthodologie basée entrées-sorties pour la prise en compte de coefficients tabulés en simulation numérique: Application aux écoulements hypersoniques en non-équilibre chimique

Résumé

Hypersonic flows are of great interest in a wide range of aerospace applications and are a critical component of many technological advances. Accurate simulations of these flows in thermodynamic (non)equilibrium (accounting for high temperature effects) rely on detailed thermochemical gas models. While accurately capturing the underlying aerothermochemistry, these models dramatically increase the cost of such calculations. In this paper, we present a model-agnostic machine-learning technique to extract a reduced thermochemical model of a gas mixture from a library. A first simulation gathers all relevant thermodynamic states and the corresponding gas properties via a given model. The states are embedded in a low-dimensional space and clustered to identify regions with different levels of thermochemical (non)equilibrium. Then, a surrogate surface from the reduced cluster space to the output space is generated using radial-basis-function networks. The method is validated and benchmarked on simulations of a hypersonic flat-plate boundary layer and shock-wave boundary layer interaction with finite-rate chemistry. The gas properties of the reactive air mixture are initially modeled using the open-source Mutation++ library. Substituting Mutation++ with the lightweight, machine-learned alternative improves the performance of the solver by up to 70% while maintaining overall accuracy in both cases.
Les écoulements hypersoniques présentent un grand intérêt pour un large éventail d'applications aérospatiales et constituent un élément essentiel de nombreuses avancées technologiques. Les simulations précises de ces écoulements en (non-)équilibre thermodynamique (en tenant compte des effets de haute température) reposent sur des modèles thermochimiques détaillés des gaz. Bien qu'ils rendent compte avec précision de l'aérothermochimie sous-jacente, ces modèles augmentent considérablement le coût de ces calculs. Dans cet article, nous présentons une nouvelle technique d'apprentissage automatique diagnostique de modèle pour extraire un modèle thermochimique réduit d'un mélange gazeux à partir d'une bibliothèque. Une première simulation rassemble tous les états thermodynamiques pertinents et les propriétés correspondantes du gaz via un modèle donné. Les états sont intégrés dans un espace à faible dimension et regroupés pour identifier les régions présentant différents niveaux de (non-)-équilibre thermochimique. Ensuite, une surface de substitution de l'espace cluster réduit à l'espace de sortie est générée en utilisant des réseaux de fonctions à base radiale. La méthode est validée et évaluée sur une simulation d'une couche limite hypersonique à plat avec une chimie à taux fini. Les propriétés des gaz du mélange d'air réactif sont initialement modélisées à l'aide de la bibliothèque open-source Mutation++ [1]. Le remplacement de Mutation++ par l'alternative légère à apprentissage automatique améliore les performances du solveur de 50 % tout en maintenant la précision globale.
Fichier principal
Vignette du fichier
Clement_Paper_M__Light.pdf (5.32 Mo) Télécharger le fichier
Origine : Fichiers produits par l'(les) auteur(s)

Dates et versions

hal-03852556 , version 1 (15-11-2022)
hal-03852556 , version 2 (29-03-2023)

Identifiants

Citer

Clément Scherding, Georgios Rigas, Denis Sipp, Peter J. Schmid, Taraneh Sayadi. Data-driven framework for input/output lookup tables reduction: Application to hypersonic flows in chemical nonequilibrium. Physical Review Fluids, 2023, 8 (2), pp.023201. ⟨10.1103/PhysRevFluids.8.023201⟩. ⟨hal-03852556v2⟩
79 Consultations
33 Téléchargements

Altmetric

Partager

Gmail Facebook X LinkedIn More