Development of neural surrogates for combustion kinetics

The integration of detailed chemical kinetics into Computational Fluid Dynamics (CFD) simulations is severely bottlenecked by the mathematical stiffness and high dimensionality of the governing equations. To address this, this study proposes a robust scientific machine learning (SciML) framework based on Deep Operator Networks (DeepONet) to efficiently approximate the temporal evolution of stiff combustion kinetics. By learning the non-linear solution operator, the framework acts as a surrogate solver capable of accelerating reactive flow simulations using time-stepping schemes compatible with broader flow timescales. The framework is systematically evaluated on the combustion of an 11-species syngas (CO/H2) mechanism in a zero-dimensional batch reactor. To optimize predictive performance and computational cost, various network configurations are analyzed, including the integration of an Autoencoder (AE) to learn the operator entirely within a compressed latent manifold. To ensure physical validity, the data-driven model is enhanced with physics-informed constraints such as the soft (penalty-based) and hard (architecture-based) constraints for mass conservation, alongside gradient-free adaptive loss functions designed to capture fast-evolving radical species. Furthermore, recognizing the critical role of training data quality in modeling multiscale dynamics, a rigorous comparative analysis of data sampling strategies is conducted, and the optimal strategy is evaluated. Fixed Interval Sampling as a traditional data sampling method is evaluated against advanced sampling techniques, such as Adaptive (Derivative-Based), Hierarchical Clustering and Local Principal Component Analysis (LPCA) based strategies. Overall, this research quantifies the combined impact of architectural choices, physical constraints, and intelligent data sampling on the generalizability and success of neural operators for complex chemistry acceleration.

L'integrazione della cinetica chimica dettagliata nelle simulazioni di fluidodinamica computazionale (CFD) è pesantemente limitata dalla rigidità matematica (stiffness) e dall'elevata dimensionalità delle equazioni di governo. Per affrontare tale problematica, la presente tesi propone un robusto framework di machine learning basato sulle Deep Operator Networks (DeepONet) per approssimare in modo efficiente l'evoluzione temporale della cinetica rigida di combustione. Apprendendo l'operatore di soluzione non lineare, il framework agisce come un risolutore surrogato in grado di accelerare le simulazioni di flussi reattivi, utilizzando schemi di integrazione temporale compatibili con le più ampie scale temporali del flusso.Il framework viene sistematicamente valutato sulla combustione di un meccanismo di syngas (CO/H2) a 11 specie in un reattore batch zero-dimensionale. Al fine di ottimizzare le prestazioni predittive e il costo computazionale, vengono analizzate diverse configurazioni di rete, tra cui l'integrazione di un Autoencoder (AE) per apprendere l'operatore interamente all'interno di una varietà latente (latent manifold) compressa. Per garantire la validità fisica, le predizioni data-driven sono integrate con vincoli basati sulla fisica (physics-informed) — quali un'architettura basata sulla Partizione dell'Unità (PoU), una funzione di costo (loss) per la conservazione della massa di tipo "soft" e un'architettura per la conservazione della massa di tipo "hard" — affiancati da funzioni di costo adattive prive di gradiente (gradient-free), progettate per catturare le specie radicaliche in rapida evoluzione. Inoltre, riconoscendo il ruolo critico della qualità dei dati di addestramento nella modellazione di dinamiche multiscala, viene condotta una rigorosa analisi comparativa delle strategie di campionamento dei dati. I metodi tradizionali di campionamento vengono valutati a confronto con tecniche non supervisionate avanzate, in particolare il Clustering Gerarchico e l'Analisi delle Componenti Principali Locale (LPCA). In definitiva, questa ricerca quantifica l'impatto combinato delle scelte architetturali, dei vincoli fisici e del campionamento intelligente dei dati sulla capacità di generalizzazione degli operatori neurali per l'accelerazione della chimica complessa.