Local manifold learning and its link to domain-based physics knowledge
Local manifold learning and its link to domain-based physics knowledge
复制标题
局部流形学习及其与基于领域的物理知识的联系
DOI：
10.1016/j.jaecs.2023.100131
复制
发表时间：
2023
影响因子：
--
通讯作者：
Parente, Alessandro
中科院分区：
文献类型：
--
作者：
Zdybał, Kamila;D’Alessio, Giuseppe;Attili, Antonio;Coussement, Axel;Sutherland, James C.;Parente, Alessandro
在许多反应流系统中，已知或假设热化学状态空间接近低维流形（LDM）。有各种方法可以获得这些流形，并随后用更少的参数化变量来表示原始的高维空间。主成分分析（PCA）是一种降维方法，可以用来获得LDM。PCA不对参数化变量进行事先假设，而是根据经验从训练数据中检索它们。在本文中，我们表明，PCA应用在本地集群的数据（本地PCA）是能够检测物理上有意义的参数化的热化学状态空间。我们首先证明利用三种复杂性不同的常见燃烧模型：伯克-舒曼模型、化学平衡模型和均相反应器。这些模型的参数化是已知的先验，允许与本地PCA方法的基准。我们进一步扩展本地PCA的应用程序的一个更具有挑战性的情况下，湍流的非预混正庚烷/空气射流火焰的参数化不再明显。我们的研究结果表明，有意义的参数化也可以获得更复杂的数据集。我们发现，当地PCA发现变量，可以链接到当地的化学计量，反应进展和烟尘形成过程。我们揭示了如何数据驱动的技术，如本地PCA，可以通过使用系统的现有知识来增强。
In many reacting flow systems, the thermo-chemical state-space is known or assumed to evolve close to a low-dimensional manifold (LDM). Various approaches are available to obtain those manifolds and subsequently express the original high-dimensional space with fewer parameterizing variables. Principal component analysis (PCA) is one of the dimensionality reduction methods that can be used to obtain LDMs. PCA does not make prior assumptions about the parameterizing variables and retrieves them empirically from training data. In this paper, we show that PCA applied in local clusters of data (local PCA) is capable of detecting physically meaningful parameterization of the thermo-chemical state-space. We first demonstrate that utilizing three common combustion models of varying complexity: the Burke–Schumann model, the chemical equilibrium model, and the homogeneous reactor. Parameterization of these models is known a priori which allows for benchmarking with the local PCA approach. We further extend the application of local PCA to a more challenging case of a turbulent non-premixed n-heptane/air jet flame for which the parameterization is no longer obvious. Our results suggest that meaningful parameterization can be obtained also for more complex datasets. We show that local PCA finds variables that can be linked to local stoichiometry, reaction progress and soot formation processes. We shed the light on how data-driven techniques, such as local PCA, can be enhanced by using the available knowledge of the system.
登录
查看更多内容
通过主成分分析对湍流反应射流进行分析
DOI：
--
发表时间：
2020
期刊：
影响因子：
--
作者：
G. D’Alessio;A. Attili;A. Cuoci;H. Pitsch;A. Parente
通讯作者：
A. Parente
DOI：
--
发表时间：
2012
期刊：
影响因子：
--
作者：
Yue Yang;S. Pope;Jacqueline H. Chen
通讯作者：
Jacqueline H. Chen
氢气、甲烷和乙烯的差动湍流超音速燃烧，无辅助点火
影响因子：
2.5
作者：
F. Ladeinde;Wenhai Li
通讯作者：
Wenhai Li
使用 LES 和先进分析工具研究 MILD 燃烧
影响因子：
3.4
作者：
Zhiyi Li;S. Tomasch;Zhi X. Chen;A. Parente;I. S. Ertesvåg;N. Swaminathan
通讯作者：
N. Swaminathan
用于降阶建模的流形通知状态向量子集
影响因子：
3.4
作者：
Zdybał, Kamila;Sutherland, James C.;Parente, Alessandro
通讯作者：
Parente, Alessandro