Нейросетевой подход к описанию колебательной кинетики углекислого газа
DOI:
https://doi.org/10.21638/spbu01.2022.409Аннотация
Работа посвящена моделированию неравновесной колебательной кинетики углекислого газа с учетом сложных механизмов релаксации и межмодовых обменов энергией. Изучены возможности применения методов машинного обучения для повышения производительности численного моделирования неравновесных течений углекислого газа. Рассмотрены различные стратегии повышения эффективности гибридной четырехтемпературной модели кинетики CO2. Наиболее перспективным оказался предложенный авторами нейросетевой подход к расчету скорости колебательной релаксации в каждой из мод. Для задачи о пространственно однородной релаксации проведены оценки погрешности и вычислительных затрат разработанного алгоритма, продемонстрирована его высокая точность и эффективность. Впервые проведено моделирование течения углекислого газа за плоской ударной волной в полном поуровневом приближении. Выполнено сравнение с результатами, полученными в рамках гибридного четырехтемпературного подхода, показана эквивалентность подходов. Это позволяет рекомендовать построенные многотемпературные приближения в качестве основного инструмента решения задач неравновесной кинетики и газовой динамики. Гибридный четырехтемпературный подход, использующий нейросетевой способ вычисления релаксационных членов, показал ускорение численного моделирования по времени более чем на порядок при сохранении точности. Данная методика может быть рекомендована для решения сложных многомерных задач неравновесной газодинамики, включающих поуровневые химические реакции.Ключевые слова:
скорость колебательной релаксации, поуровневая и многотемпературная кинетика, углекислый газ, нейронные сети, машинное обучение
Скачивания
Данные скачивания пока недоступны.
Библиографические ссылки
Литература
1. Kustova E.V., Mekhonoshina M.A. Multi-temperature vibrational energy relaxation rates in CO2. Physics of Fluids 32, 096101 (2020). https://doi.org/10.1063/5.0021654
2. Kosareva A.A., Kunova O.V., Kustova E.V., Nagnibeda E.A. Four-temperature kinetic model for CO2 vibrational relaxation. Physics of Fluids 33 (1), 016103 (2021). https://doi.org/10.1063/5.0035171
3. Regazzoni F., Dede’ L., Quarteroni A. Machine learning for fast and reliable solution of time-dependent differential equations. J. Comput. Phys. 397, 108852 (2019). https://doi.org/10.1016/j.jcp.2019.07.050
4. Gorikhovskii V.I., Evdokimova T.O., Poletanskii V.A. Neural networks in solving differential equations. Journal of Physics: Conference Series 2308 (1), 012008 (2022). https://doi.org/10.1088/1742-6596/2308/1/012008
5. Stokes P.W., Cocks D.G., Brunger M.J., White R.D. Determining cross sections from transport coefficients using deep neural networks. Plasma Sources Science Technology 29 (5), 055009 (2020). http://dx.doi.org/10.1088/1361-6595/ab85b6
6. Istomin V.A., Kustova E.V. PAINeT: Implementation of neural networks for transport coefficients calculation. Journal of Physics: Conference Series 1959 (1), 012024 (2021). https://doi.org10.1088/1742-6596/1959/1/012024
7. Бушмакова М.А., Кустова Е.В. Моделирование скорости колебательнойрелаксации с помощью методов машинного обучения. Вестник Санкт-Петербургского университета. Математика. Механика. Астрономия 9 (67), вып. 1, 113-125 (2022). https://doi.org/10.21638/spbu01.2022.111
8. Campoli L., Kustova E., Maltseva P. Assessment of machine learning methods for state-to-state approaches. Mathematics 10 (6), 928 (2022). https://doi.org/10.3390/math10060928
9. Sahai A., Lopez B.E., Johnston C.O., Panesi M. Adaptive coarse graining method for energy transfer and dissociation kinetics of polyatomic species. J. Chem. Phys., 147, 054107 (2017). https://doi.org/10.1063/1.4996654
10. ГориховскийВ. И., Нагнибеда Е.А. Оптимизация моделирования колебательной кинетики углекислого газа в полном поуровневом приближении. Вестник Санкт-Петербургского университета. Математика. Механика. Астрономия 7 (65), вып. 3, 527-538 (2020). https://doi.org/10.21638/spbu01.2020.315
11. Kunova O.V., Kosareva A.A. Kustova E.V., Nagnibeda E.A. Vibrational relaxation of carbon dioxide in various approaches. Physical Review Fluids 5, 123401 (2020). https://doi.org/10.1103/PhysRevFluids.5.123401
12. Park C. Nonequilibrium Hypersonic Aerothermodynamics. New York; Chichester; Brisbane; Toronto; Singapore, J. Wiley and Sons (1990).
13. Schwartz R.N., Slawsky Z.I., Herzfeld K.F. Calculation of vibrational relaxation times in gases. J. Chem. Phys., 20 (10), 1591-1599 (1952).
14. Гориховский В.И., Нагнибеда Е.А. Коэффициенты скорости переходов колебательной энергии при столкновениях молекул углекислого газа: оптимизация вычислений. Вестник Санкт-Петербургского университета. Математика. Механика. Астрономия 6 (64), вып. 4, 659-671 (2019). https://doi.org/10.21638/11701/spbu01.2019.402
15. Adamovich I.V., Macheret S.O., Rich J.W., Treanor C.E. Vibrational energy transfer rates using a forced harmonic oscillator model. J. Thermophys. Heat Transf. 12 (1), 57-65 (1998).
References
1. Kustova E.V., Mekhonoshina M.A. Multi-temperature vibrational energy relaxation rates in CO2. Physics of Fluids 32, 096101 (2020). https://doi.org/10.1063/5.0021654
2. Kosareva A.A., Kunova O.V., Kustova E.V., Nagnibeda E.A. Four-temperature kinetic model for CO2 vibrational relaxation. Physics of Fluids 33 (1), 016103 (2021). https://doi.org/10.1063/5.0035171
3. Regazzoni F., Dede’ L., Quarteroni A. Machine learning for fast and reliable solution of time-dependent differential equations. J. Comput. Phys. 397, 108852 (2019). https://doi.org/10.1016/j.jcp.2019.07.050
4. Gorikhovskii V.I., Evdokimova T.O., Poletanskii V.A. Neural networks in solving differential equations. Journal of Physics: Conference Series 2308 (1), 012008 (2022). https://doi.org/10.1088/1742-6596/2308/1/012008
5. Stokes P.W., Cocks D.G., Brunger M.J., White R.D. Determining cross sections from transport coefficients using deep neural networks. Plasma Sources Science Technology 29 (5), 055009 (2020). http://dx.doi.org/10.1088/1361-6595/ab85b6
6. Istomin V.A., Kustova E.V. PAINeT: Implementation of neural networks for transport coefficients calculation. Journal of Physics: Conference Series 1959 (1), 012024 (2021). https://doi.org10.1088/1742-6596/1959/1/012024
7. Bushmakova M.A., Kustova E.V. Modeling the vibrational relaxation rate using machine-learning methods. Vestnik of Saint Petersburg University. Mathematics. Mechanics. Astronomy 9 (67), iss. 1, 113-125 (2022). https://doi.org/10.21638/spbu01.2022.111 (In Russian) [Eng. transl.: Vestnik St Petersburg University. Mathematics, 55, iss. 1, 87-95 (2022). https://doi.org/10.1134/S1063454122010022].
8. Campoli L., Kustova E., Maltseva P. Assessment of machine learning methods for state-to-state approaches. Mathematics, 10 (6), 928 (2022). https://doi.org/10.3390/math10060928
9. Sahai A., Lopez B.E., Johnston C.O., Panesi M. Adaptive coarse graining method for energy transfer and dissociation kinetics of polyatomic species. J. Chem. Phys., 147, 054107, 2017. https://doi.org/10.1063/1.4996654
10. Gorikhovskii V.E., Nagnibeda Е.А. Optimization of CO2 vibrational kinetics modeling in the full state-to-state approach. Vestnik of Saint Petersburg University. Mathematics. Mechanics. Astronomy 7 (65), iss. 3, 527-538 (2020). https://doi.org/10.21638/spbu01.2020.315 (In Russian) [Eng. transl.: Vestnik St Petersburg University. Mathematics 53, iss. 3, 358-365 (2020). https://doi.org/10.1134/S1063454120030085].
11. Kunova O.V., Kosareva A.A., Kustova E.V., Nagnibeda E.A. Vibrational relaxation of carbon dioxide in various approaches. Physical Review Fluids 5, 123401 (2020). https://doi.org/10.1103/PhysRevFluids.5.123401
12. Park C. Nonequilibrium Hypersonic Aerothermodynamics. New York; Chichester; Brisbane; Toronto; Singapore, J. Wiley and Sons (1990).
13. Schwartz R.N., Slawsky Z.I., Herzfeld K.F. Calculation of vibrational relaxation times in gases. J. Chem. Phys., 20, 1591-1599 (1952).
14. Gorikhovsky V.I., Nagnibeda E.A. Energy exchange rate coefficients in modeling carbon dioxide kinetics: Calculation optimization. Vestnik of Saint Petersburg University. Mathematics. Mechanics. Astronomy 6 (64), iss. 1, 659-671 (2019). https://doi.org/10.21638/11701/spbu01.2019.402 (In Russian) [Eng. transl.: Vestnik St Petersburg University, Mathematics 52, iss. 4, 428-435 (2019). https://doi.org/10.1134/S1063454119040046].
15. Adamovich I.V., Macheret S.O., Rich J.W., Treanor C.E. Vibrational energy transfer rates using a forced harmonic oscillator model. J. Thermophys. Heat Transf. 12 (1), 57-65 (1998).
Загрузки
Опубликован
26.12.2022
Как цитировать
Гориховский, В. И., & Кустова, Е. В. (2022). Нейросетевой подход к описанию колебательной кинетики углекислого газа. Вестник Санкт-Петербургского университета. Математика. Механика. Астрономия, 9(4), 665–678. https://doi.org/10.21638/spbu01.2022.409
Выпуск
Раздел
Механика
Лицензия
Статьи журнала «Вестник Санкт-Петербургского университета. Математика. Механика. Астрономия» находятся в открытом доступе и распространяются в соответствии с условиями Лицензионного Договора с Санкт-Петербургским государственным университетом, который бесплатно предоставляет авторам неограниченное распространение и самостоятельное архивирование.
