استفاده از شبکه های عصبی مصنوعی در مدل فلیملت آرام جهت مدل سازی احتراق گستره ای قابل توجه از شعله های غیرپیش مخلوط مغشوش

در این پایان نامه پیچیدگی حل مسائل احتراقی که از بر هم کنش سینتیک شیمیایی و توربولانس ناشی می شود، به کمک مدل فلیملت آرام در کنار تکنیک استفاده از شبکه های عصبی مصنوعی با کمترین ساده سازی در نظر گرفته شده است. استفاده از مدل فلیملت امکان استفاده از هر مکانیزم شیمیایی با هر سطحی از پیچیدگی را فراهم می آورد. این در حالی است که در سایر مدل های احتراقی به دلیل همزمانی حل سینتیک و توربولانس در احترق برای جلوگیری از افزایش تصاعدی زمان و حافظه مورد نیاز محاسبات، محققان ناچار به استفاده از مکانیزم های کاهش یافته احتراق می شوند که این امر موجب افزایش خطا می شود. نکته دیگر در این تحقیق، به کار گیری شبکه های عصبی مصنوعی به عنوان پلی میانبر بین سینتیک شیمیایی و حل جریان در محفظه احتراق می باشد که این امر منجر به کاهش چشمگیر زمان محاسبات بدون ایجاد تأثیر منفی بر نتایج کار شده است. در این کار ابتدا با حل شعله های دیفیوژن جریان مخالف در کرنش های مختلف شعله یک کتابخانه اطلاعات ساخته می شود. سپس در این مجموعه مقادیر کسر جرمی گونه های مختلف و دما به اسکالرهای کسر مخلوط و نرخ استهلاک اسکالر که با توجه به اطلاعات موجود در این کتابخانه محاسبه می شوند، مربوط شده اند. در مرحله بعد جهت در نظر گرفتن آثار توربولانس، انتگرال گیری عددی به ازای مقادیر مختلف کسر مخلوط متوسط، واریانس آن و نرخ استهلاک اسکالر با استفاده از توابع توزیع احتمال انجام شده و مقدار متوسط فاوره کمیت های ترموشیمیایی جریان بدست آمده و یک شبکه عصبی ساخته شده و با قرار دادن ضرایب وزن و بایاس آن در کد حل معادلات بقا، پیش بینی کسر جرمی ها (یا دما) در آن کد صورت می گیرد. بدین ترتیب در کد حل معادلات بقا نیازی به حل معادلات انتقال تک تک گونه ها نیست که این امر تأثیر به سزایی در کاهش زمان محاسبات داشته است. لازم به ذکر است که در کار حاضر پیش بینی گونه های میانی مهم از جمله برخی آلاینده ها نیز مورد بررسی قرار گرفته است که در نتایج بدست آمده تطابق قابل قبولی با نتایج تجربی مشاهده شده است. همچنین در این پایان نامه تأثیر استفاده از توابع مختلف توزیع احتمال در حین انتگرل گیری عددی مورد بررسی قرار گرفته است که در نتایج به دست آمده، دقت انجام محاسبات در حالتی که از تابع توزیع لاگ-نرمال به عنوان تابع توزیع احتمال نرخ استهلاک اسکالر استفاده شود نسبت به حالتی که در آن از تابع توزیع دلتا استفاده شود، بیشتر مشاهده شده است. البته تفاوت دقت محاسبات در دو حالت فوق زیاد نبوده و حتی در برخی موارد با توجه به زمان انجام محاسبات بیشتر در حالت اول، اختلاف دقت در دو حالت فوق قابل اغماض است.