A Posteriori Untersuchung von CNNs zur Modellierung von Wasserstoffverbrennung

Vanvinckenroye, Joris Vincent; Nista, Ludovico; Orland, Fabian; Müller, Matthias S.; Pitsch, Heinz

doi:10.18154/RWTH-2024-08139

A Posteriori Untersuchung von CNNs zur Modellierung von Wasserstoffverbrennung = A posteriori investigation of CNNs for hydrogen combustion modeling

Vanvinckenroye, Joris Vincent^RWTH*

2024

VerantwortlichkeitsangabeJoris Vincent Vanvinckenroye

ImpressumAachen : RWTH Aachen University 2024

Umfang1 Online-Ressource : Illustrationen

Masterarbeit, RWTH Aachen University, 2024

Veröffentlicht auf dem Publikationsserver der RWTH Aachen University

Genehmigende Fakultät
Fak01

Hauptberichter/Gutachter
Müller, Matthias S. (Thesis advisor)^RWTH* ; Pitsch, Heinz (Thesis advisor)^RWTH* ; Orland, Fabian (Consultant)^RWTH* ; Nista, Ludovico (Consultant)^RWTH*

Tag der mündlichen Prüfung/Habilitation
2024-09-02

Online
DOI: 10.18154/RWTH-2024-08139
URL: https://publications.rwth-aachen.de/record/992307/files/992307.pdf

Einrichtungen

Thematische Einordnung (Klassifikation)
DDC: 004

Kurzfassung
Aufgrund der sehr geringen Schadstoffemissionen von Wasserstoffverbrennungen spielt der Kraftstoff eine wichtige Rolle bei der Bekämpfung des Klimawandels und der Begrenzung der globalen Erwärmung auf 1,5 °C. Akkurate Modellierungsmethoden für die Wasserstoffverbrennung sind entscheidend, um den enormen Rechenaufwand direkter numerischer Simulationen zu reduzieren und die Technologie zur Marktreife zu bringen. In dieser Arbeit wird die Anwendung von Convolutional Neural Networks, insbesondere U-Net und UNet++, zur Modellierung von mageren Wasserstoffflammen in laminaren Strömungen untersucht. Wir koppeln diese Netze mit dem physikalischen Simulationsprogramm CIAO unter Verwendung zweier Ansätze: MLLib und AIxeleratorService, und evaluieren und vergleichen ihre Leistung sowohl in Bezug auf die Genauigkeit als auch auf die Skalierbarkeit. Um die gekoppelte Simulation zu beschleunigen, wird eine verteilte Netzwerkinferenz mit dem AIxeleratorService implementiert. Wir beobachten jedoch ein unphysikalisches Verhalten bei den gekoppelten Simulationen. Um dem entgegenzuwirken, optimieren wir die Modelle mit zusätzlichen Trainingsdaten, Hyperparametertuning und Post-TrainingPruning. Trotz der Verringerung des a-priori Vorhersagefehlers führen diese Methoden nicht zu einer konsistenten Verbesserung der a-posteriori Simulationsergebnisse. Unsere Ergebnisse unterstreichen die Notwendigkeit einer a-posteriori Evaluierung für neuronale Netze in Wasserstoffverbrennungssimulationen.

Due to the very low pollutant emissions of hydrogen combustion, the fuel plays an important role in combating climate change and limiting global warming to 1.5C. Accurate modeling methods for hydrogen combustion are crucial to reduce the huge computational demand of direct numerical simulations and bring the technology to market maturity. In this thesis, the application of Convolutional Neural Networks, specifically U-Net and UNet++, to model lean hydrogen flames in laminar flows is investigated. We couple these networks with the physical solver CIAO using two approaches: MLLib and AIxeleratorService, and evaluate and compare their performance both in terms of accuracy and scalability. Distributed network inference using the AIxeleratorService is implemented to speed up the coupled simulation. However, we observe unphysical behavior in the coupled simulations. To combat this, we optimize the models with additional training data, hyperparameter tuning, and post-training pruning. Despite reducing the a-priori prediction errors, these methods did not consistently improve a-posteriori simulation results. Our findings emphasize the need for a-posteriori evaluation for neural networks in hydrogen combustion simulations.

OpenAccess:
PDF
(additional files)