Моделирование2025-04-08 · 2 мин

Интеграция машинного обучения и CFD для мультифазных потоков в нефтехимии

Разработка гибридной модели машинного обучения и CFD для мультифазных потоков в нефтехимии. Использование данных высокоточного DNS для обучения нейронной сети, которая затем встраивается в макроскопический солвер. Модель показала повышение точности предсказаний на 7.09% по сравнению с традиционными методами.

CFDMachineLearningМультифазныйПотокГидродинамикаРеакторы

modeling

Интеграция машинного обучения и CFD для мультифазных потоков в нефтехимии

Вот перевод и адаптация вашего текста на русский язык в развернутом, профессиональном стиле с сохранением всех технических деталей, цифр, дат и имен.

Моделирование реакторов с псевдоожиженным слоем, барботажных колонн и других аппаратов с мультифазными потоками требует применения методов вычислительной гидродинамики (CFD). Прямое численное моделирование (DNS) таких систем позволяет разрешить все детали течения без привлечения дополнительных моделей турбулентности, однако его применение для промышленных масштабов невозможно из-за колоссальных требований к объему оперативной памяти и процессорному времени. Для понимания масштаба физической проблемы: прямое численное моделирование (DNS) всего одного метра промышленной барботажной колонны требует генерации расчетных сеток, содержащих миллиарды ячеек. Это, в свою очередь, занимает терабайты оперативной памяти и миллионы ядро-часов на суперкомпьютерах.

Постановка задачи и инструментарий: Целью данной работы является разработка надежных и вычислительно эффективных моделей замыкания (closure models) для мультифазных течений с использованием методов искусственного интеллекта (AI) и физически-информированного машинного обучения (Physics-Informed Machine Learning).

Термодинамика и методы: В традиционном подходе CFD использует осредненные по Рейнольдсу уравнения Навье-Стокса (RANS) или метод крупных вихрей (LES), которые требуют применения эмпирических моделей обмена импульсом между фазами (например, коэффициентов сопротивления пузырей или капель). В данном исследовании авторы использовали данные высокоточного прямого численного моделирования (DNS) в ограниченном домене для обучения глубокой нейронной сети. Эта сеть способна выявлять скрытые паттерны гидродинамического взаимодействия фаз. После обучения полученная ML-модель была встроена в макроскопический CFD-решатель в качестве подпрограммы (модели замыкания).

Валидация и итоговый результат: Гибридная модель (ML + CFD) прошла валидацию на экспериментальных данных различных режимов течения. Хотя первоначальные данные содержали числовые артефакты (рост кластеров пузырей до масштабов домена искажал скорость осаждения), модификация модели с учетом градиента давления флюидной фазы (filtered gas phase pressure gradient marker) позволила достичь кардинального повышения точности. Итоговым результатом стало создание предиктивного инструмента, объединяющего скорость полуэмпирических моделей и точность микроскопической гидродинамики. Это позволило достичь повышения средней точности предсказаний на 7.09% по сравнению с традиционными методами физического замыкания. Для справки: в смежных исследованиях гибридные нейросети TS-RFR также демонстрировали статистический показатель R² = 97.35% и PAP = 92.35% при предсказании свойств разбавленных углеводородов. Данный результат имеет критическое значение для масштабирования новых нефтехимических реакторов.

Интеграция машинного обучения и CFD для мультифазных потоков в нефтехимии

Интеграция машинного обучения и CFD для мультифазных потоков в нефтехимии

Источник

Теги

Интеграция машинного обучения и CFD для мультифазных потоков в нефтехимии

Интеграция машинного обучения и CFD для мультифазных потоков в нефтехимии

Источник

Теги