基于机器学习的界面多相催化效应动力学蒙特卡罗模化
Abstract
高焓气动环境表面多相催化效应对高超声速飞行器气动热有显著影响, 对该效应多尺度特征的表征建模是飞行器热防护系统轻量化、低冗余设计的重要前提. 采用动力学蒙特卡罗方法, 建立了可用于宏观流场计算的界面多相催化介观模型, 并通过径向基函数神经网络算法, 训练形成了基于机器学习的吸附演化动力学精确解析的界面多相催化代理模型, 实现了催化复合系数的快速精准预测. 研究表明, 基于机器学习的界面催化代理模型获得的复合系数预测值与动力学蒙特卡罗方法相一致, 同时计算时间大幅缩短至常规宏观方法耗时. 通过与宏观非平衡流场求解器耦合, 所建立的界面催化模型可快速获得多尺度界面多相催化效应下的表面气动加热热流. 基于机器学习方法对微细尺度的计算结果进行模化并用于宏观计算, 在解析界面多相反应演化动力学的同时, 提升了计算效率, 为工程适用的飞行器复杂高温效应跨尺度建模提供了理论依据.
