NVIDIA Modulus 助力浙大团队构建高维参数化燃烧场代理建模方法

本案例中，通过 NVIDIA Modulus 开源框架，浙江大学能源工程学院罗坤教授课题组博士后刘凯等人构建了一套基于物理信息神经网络（PINNs）的参数化燃烧场求解方法，相比传统 CFD 数值模拟平行工况计算在同等算力下的求解效率可达数百倍加速。

在应对日益严峻的气候变化和能源紧缺的背景下，迫切需要开发和部署新型高效低碳能源利用基础设施，这对于能源装备设计研发过程中计算流体力学（CFD）仿真的可靠性和成本效益提出了更高要求。燃烧室作为燃气轮机发电系统中能量转化的核心组件，需要对其各项几何和工况参数进行精细化设计，才能保证燃机整体系统的清洁高效生产。

虽然现有湍流燃烧 CFD 数值模拟方法已经成熟，但如何在有限的产品研发周期内高效全面地筛选出最优化的设计参数组合仍然面临巨大挑战。

在燃气轮机燃烧室参数设计中，需要经过 CAD 原型设计、CFD 物理仿真、参数代理建模和参数优化等一系列复杂的步骤，并通过成千上万次的循环迭代，才能得到最优的设计方案。其中，CFD 物理仿真计算是燃气轮机燃烧室参数设计面临的最大难题，主要体现在以下三个方面：

1

时间成本高：CFD 物理仿真计算一次往往需要数小时的时间，且需要根据不同参数的变化反复进行迭代优化，时间占到总设计周期的70%。

2

计算成本高：由于 CFD 软件运行步骤复杂繁琐，往往需要通过高性能计算、多 CPU 并行计算加速，且计算过程中很容易出现求解器的收敛性问题，计算成本比较高。

3

人力成本高：在整个设计过程中，科研人员不仅需要掌握流体、燃烧等基本的物理知识，还需要掌握计算机编程知识，对科研人员的专业能力有较高要求。

为了加速新能源装备系统的研发，浙江大学能源工程学院罗坤教授课题组博士后刘凯等人，基于 NVIDIA Modulus 开源框架（见图 1），构建了 PINNs 参数化燃烧场求解方法，无需提供任何训练数据，仅通过一次无监督神经网络训练即可获取能够即时求解设计空间内任何参数组合情况下的完整物理场信息。包含全部建模成本在内的仿真计算流程，相比传统 CFD 统数值模拟平行工况计算在同等算力下的求解效率可达数百倍加速。

图 1: NVIDIA Modulus

经过验证，PINNs 参数化燃烧场代理建模方法，在一维和二维五参数预混燃烧物理场的预测精度与 CFD 数值模拟相当，所有变量的决定系数均大于0.995（满分为 1），压力值也更符合物理原理。同时，设计参数空间越大效率优势越明显，使用一块NVIDIA Tensor Core GPU 的 PINNs 参数化仿真较使用 16 个 Xeon 4210R CPU 并行计算的传统 CFD 数值模拟对于一般计算 1000 - 10000 个变参数工况的装备研发时间成本能够缩短至 20 - 1%。

PINNs 参数化燃烧场求解方法能够将燃气轮机燃烧室参数设计中的 CAD 原型设计、CFD 物理仿真和参数代理建模三个步骤，合为一步神经网络训练，每次仿真计算只需要数毫秒时间，省去了大量传统的 CFD 数值模拟，大幅缩短了仿真计算的时间。在使用过程中，科研人员不用在多个软件之间频繁切换，不需要提供标签数据，只需设置边界条件和 PDE（控制方程）残差即可，操作简便，能够大幅降低研发成本。

这里为大家展示了不同变量非参数化燃烧对比结果。其中，上半部分为 PINNs 模拟结果，下半部分为 DNS 结果。

图 2: 不同变量非参数化燃烧对比图

图 2 中展示了燃烧室内速度、温度、压力和不同物质浓度的结果分布，从图中的对比可以看到不同变量情况下其结果完全是对称的，从而证明了 PINNs 模拟结果与计算结果是一致的。这是不同变量参数化燃烧对比图，同样上半部分为 PINNs 模拟结果，下半部分为 DNS 结果。

图 3: 不同变量参数化燃烧对比图

图 3 中展示了我们对燃烧室喷口直径、燃气掺比、入口流速、入口温度和伴流温度五个参数各取上下限组合出的 32 个边界工况，通过 7X64 层的神经网络模型在不同温度下进行模拟。可以看到不同情况下的模拟结果与计算结果也是一致的。证明了这套神经网络模型可以准确预测整个 5 维设计参数空间内的任何情况。

图 4: 敏感性对比分析

通过这套模型，还可以在燃烧室设计过程中进行敏感性对比分析（图 4）。比如分析不同设计参数对各个性能指标的影响强弱，以及对各个物理场的作用区域。这对于科研人员在设计过程中应该重点关注哪些设计参数和指标，具有非常重要的指导意义。

查看该研究成果的论文原文，请访问：https://www.sciencedirect.com/science/article/abs/pii/S0010218023004698?via%3Dihub=