Analysis of premixed flame data using machine learning methods

Στούπας, Ιωάννης; Stoupas, Ioannis

dc.contributor.author	Στούπας, Ιωάννης	el
dc.contributor.author	Stoupas, Ioannis	en
dc.date.accessioned	2022-02-04T13:45:34Z
dc.date.available	2022-02-04T13:45:34Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/54545
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.22243
dc.rights	Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα	*
dc.rights.uri	http://creativecommons.org/licenses/by-nc-nd/3.0/gr/	*
dc.subject	Machine learning	en
dc.subject	Artificial neural networks	en
dc.subject	Chemistry acceleration	en
dc.subject	Computational fluid dynamics	en
dc.subject	Premixed flames	en
dc.subject	Μηχανική μάθηση	el
dc.subject	Τεχνητά νευρωνικά δίκτυα	el
dc.subject	Επιτάγχυνση χημείας	el
dc.subject	Υπολογιστική ρευστομηχανική	el
dc.subject	Φλόγες προανάμιξης	el
dc.title	Analysis of premixed flame data using machine learning methods	en
heal.type	bachelorThesis
heal.classification	Marine Engineering	en
heal.language	en
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2021-11-08
heal.abstract	Chemistry acceleration via Machine Learning methods is a relatively recent area of research, driven by the need for computational cost reduction in Computational Fluid Dynamics (CFD) simulations. The present work deals with the reduction of computational time associated with chemistry integration in combustion simulations. In particular, the target of computational cost reduction is achieved via a neural network approach, promising to replace direct integration in the forthcoming years. Here, methane combustion is studied as an approximation to LNG combustion, which gains importance for the marine industry, in order for vessels to comply with emission regulations. The methodology proposed in the present study includes two main objectives: (i) clustering of the state space, which is assessed by simulations of methane combustion at representative conditions, and (ii) prediction of thermochemical states. Both objectives are handled by means of Machine Learning methods. The desired subdomain of thermochemical states is covered by data generated via premixed laminar flame simulations. Premixed laminar flames are a “canonical” combustion problem, through which various points in state space can be assessed; thus, they support the applicability of the developed approach to simulate a family of similar problems. In the present study, the premixed laminar flame simulations are performed by means of the CANTERA open-source suite, while Machine Learning methods are implemented by code development in Python. The first objective is achieved by the development of a hybrid Self-Organizing Map – K-Means neural network, which undertakes the clustering of the state space. This hybrid neural network generates two-dimensional maps for each data feature, which are temperature and species mass fractions for the present implementation, while pressure is kept constant. These maps can be used for correlation of features, quality analysis of state space, as well as for the purposes of chemistry acceleration, such as local mechanism reduction. Regarding the second objective, Artificial Neural Networks are assigned in each cluster obtained from the hybrid neural network, in order to regress the thermochemical states and simulate the function of the ODE system describing chemistry. Two cases are studied: the first one refers to direct prediction of heat release rate and species net production rates, whereas the second one corresponds to prediction of thermochemical states after a specified time step, given the initial thermochemical state. For both cases, the present approach yields an excellent accuracy. Further, a 21x reduction in computational time is attained regarding chemistry direct integration. Overall, the present approach is very promising, and should be further studied and optimized, with the goal of being coupled with a reactive flow CFD code.	en
heal.abstract	Η επιτάγχυνση των υπολογισμών που αφορούν τη χημεία ενός φαινομένου μέσω μεθόδων Μηχανικής Μάθησης αποτελεί μια σχετικά νέα ερευνητική περιοχή, καθοδηγούμενη από την ανάγκη για μείωση του υπολογιστικού κόστους σε προσομοιώσεις Υπολογιστικής Ρευστομηχανικής (CFD). Η παρούσα διπλωματική εργασία πραγματεύεται τη μείωση του υπολογιστικού χρόνου που απαιτείται για τη χρονική ολοκλήρωση της χημείας στο πλαίσιο της προσομοίωσης φαινομένων καύσης. Συγκεκριμένα, ο στόχος της μείωσης του υπολογιστικού κόστους επιτυγχάνεται μέσω ενός μηχανισμού Νευρωνικών Δικτύων, ο οποίος υπόσχεται να αντικαταστήσει την άμεση ολοκλήρωση της χημείας κατά τα επόμενα χρόνια. Στην παρούσα εργασία, μελετάται η καύση μεθανίου, ως μια προσέγγιση της καύσης Υγροποιημένου Φυσικού Αερίου (LNG), η χρήση του οποίου κερδίζει έδαφος στον τομέα της ναυτιλίας, ώστε τα πλοία να συμμορφώνονται με τους κανονισμούς για τις εκπομπές αέριων ρύπων. Η μεθοδολογία που προτείνεται στην παρούσα εργασία περιλαμβάνει την υλοποίηση δύο κύριων στόχων: (i) ομαδοποίηση του χώρου των θερμοχημικών καταστάσεων, ο οποίος προσεγγίζεται μέσω προσομοιώσεων της καύσης μεθανίου σε αντιπροσωπευτικές συνθήκες, και (ii) πρόβλεψη των θερμοχημικών καταστάσεων. Καί οι δύο στόχοι υλοποιούνται με χρήση μεθόδων Μηχανικής Μάθησης. Ο επιθυμητός χώρος των θερμοχημικών καταστάσεων δημιουργείται από δεδομένα που παράγονται μέσω προσομοιώσεων στρωτής φλόγας προανάμιξης. Η στρωτή φλόγα προανάμιξης είναι ένα πρότυπο πρόβλημα καύσης, μέσω του οποίου προσεγγίζονται διάφορες περιοχές του χώρου των θερμοχημικών καταστάσεων. Κατά αυτόν τον τρόπο, υποστηρίζεται η δυνατότητα της παρούσας μεθοδολογίας να εφαρμοστεί επιτυχώς στην προσομοίωση μιας οικογένειας παρόμοιων προβλημάτων καύσης. Στην παρούσα εργασία, οι προσομοιώσεις στρωτής φλόγας προανάμιξης υλοποιούνται με χρήση της βιβλιοθήκης ανοιχτού λογισμικού CANTERA, ενώ η υλοποίηση των μεθόδων Μηχανικής Μάθησης γίνεται με ανάπτυξη κώδικα σε γλώσσα Python. Ο πρώτος στόχος επιτυγχάνεται με την ανάπτυξη ενός υβριδικού νευρωνικού δικτύου, με συνδυασμό των μεθόδων Self-Organizing Map και K-Means. Το δίκτυο αυτό είναι υπεύθυνο για την ομαδοποίηση του χώρου των θερμοχημικών καταστάσεων. Δημιουργεί δισδιάστατους χάρτες κατανομής των εξαρτημένων μεταβλητών του προβλήματος καύσης (δεδομένα του δικτύου), οι οποίες είναι η θερμοκρασία και τα κλάσματα μάζας των ενώσεων, ενώ η πίεση διατηρείται σταθερή. Οι χάρτες αυτοί μπορούν να χρησιμοποιηθούν για τη συσχέτιση ιδιοτήτων, για την ποιοτική μελέτη του χώρου των θερμοχημικών καταστάσεων, καθώς επίσης και στο πλαίσιο της επιτάγχυνσης της χημείας, όπως για παράδειγμα στην τοπική μείωση μηχανισμών χημικής κινητικής. Όσον αφορά στην υλοποίηση του δεύτερου στόχου, Νευρωνικά Δίκτυα συνδέονται σε κάθε ομάδα-σύνολο που προέρχεται από το υβριδικό δίκτυο ομαδοποίησης, με σκοπό να προσεγγίσουν τις θερμοχημικές καταστάσεις και να προσομοιώσουν τη λειτουργία του συστήματος διαφορικών εξισώσεων που περιγράφει τη χημεία. Μελετώνται δύο περιπτώσεις: η πρώτη αφορά στην απευθείας πρόβλεψη του ρυθμού έκλυσης θερμότητας και του ρυθμού παραγωγής ή κατανάλωσης των χημικών ενώσεων που συμμετέχουν στον μηχανισμό, ενώ η δεύτερη πραγματεύεται την πρόβλεψη της θερμοχημικής κατάστασης μετά από ένα δεδομένο χρονικό βήμα ολοκλήρωσης, έχοντας ως δεδομένο εισόδου την αρχική θερμοχημική κατάσταση. Καί για τις δύο περιπτώσεις, η παρούσα μεθοδολογία επιτυγχάνει εξαιρετική ακρίβεια. Επιπροσθέτως, επιτυγχάνεται μείωση του υπολογιστικού χρόνου εκτέλεσης της άμεσης ολοκλήρωσης της χημείας κατά 21 φορές. Συνολικά, η παρούσα μεθοδολογία εμφανίζει σημαντικά πλεονεκτήματα, και ενδείκνυται η περαιτέρω μελέτη και η βελτιστοποίησή της, με στόχο της σύζευξή της με κώδικα Υπολογιστικής Ρευστομηχανικής για την προσομοίωση αντιδρώσας ροής.	el
heal.advisorName	Kaiktsis, Lambros	en
heal.committeeMemberName	Founti, Maria	en
heal.committeeMemberName	Triantafyllou, Georgios	en
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Ναυπηγών Μηχανολόγων Μηχανικών. Τομέας Ναυτικής Μηχανολογίας	el
heal.academicPublisherID	ntua
heal.numberOfPages	113 σ.	el
heal.fullTextAvailability	false