@article { author = {سینایی, پیام and تابع جماعت, صادق and سراج مهدیزاده, ناصر}, title = {Large Eddy Simulation of the Premixed Flame-Turbulence Interactions using Artificial Neural Network in Chemical Kinetics Tabulation}, journal = {Fuel and Combustion}, volume = {7}, number = {1}, pages = {35-53}, year = {2014}, publisher = {iranian combustion institute}, issn = {2008-3629}, eissn = {2008-3637}, doi = {}, abstract = {A large eddy simulation (LES) of premixed flame-turbulence interaction is performed with special emphasis on computing the instantaneous chemical species reaction rates with the recently developed approach of artificial neural networks (ANNs) for chemical kinetics. Training of the neural network is based on an independent flame study using linear eddy mixing technique. An analysis of computational performance, considering CPU time and a comparison between the performance of artificial neural network technique and other conventional methods is used to represent the chemical kinetics such as direct integration (DI) - and the ability of neural networks to model the highly non-linear and stiff chemistry ODEs is illustrated. The sub-grid combustion model of the LES is based on a linear eddy mixing model while a skeletal multi-species, multi-step chemical kinetic mechanism is applied for the combustion. A feed-forward, multi-layer architecture is chosen for the neural network and the training algorithm is based on a back-propagation gradient descent rule with adaptive learning rate and individual momentum factors for the weight coefficients. The flow field distribution and the flame characteristics obtained by LES with neural network based chemical kinetics tabulation, are in reasonable agreement with previous direct numerical simulation (DNS) study of the flame. The results show if the neural network is trained accurately, it can predict the instantaneous chemical species reaction rates in LES framework.}, keywords = {Premixed flame,Large eddy simulation (LES),Artificial Neural Network,chemical kinetics}, title_fa = {مدلسازی اندرکنش شعله پیش مخلوط با اغتشاشات میدان جریان براساس شبیه سازی گردابه های بزرگ (LES) با به کارگیری شبکه عصبی مصنوعی در سینتیک شیمیایی احتراق}, abstract_fa = {در این تحقیق، کارآیی شبکه های عصبی مصنوعی به عنوان عامل انتگرالگیر از دسته معادلات دیفرانسیلی غیرخطی حاکم بر سینتیک شیمیایی احتراق در مدلسازی LES شعله پیش مخلوط مغشوش نشان داده شده است. آموزش شبکه عصبی مصنوعی براساس الگوریتم آموزشی خطای پس انتشار صورت گرفته است که در آن ضرایب مدل آموزشی به طور دینامیکی و سازگار با توپولوژی تابع خطا معین می شوند. جدول بانک اطلاعاتی آموزش شبکه عصبی براساس مطالعات مستقل شعله با استفاده از مدل احتراقی زیرشبکه ای اختلاط خطی گردابه بنا شده است و شبکه عصبی آموزش دیده، به طور موفقیت آمیز در سینتیک شیمیایی مدلسازی LES اندرکنش اغتشاشات میدان جریان مغشوش با جبهه شعله در نسبت های هم ارزی و سطوح اغتشاشی مختلف استفاده شده است. نتایج این تحقیق نشان می دهد که زمانی که شبکه های عصبی مصنوعی به درستی آموزش داده شوند، قادرند که نرخ واکنش گونه های شیمیایی را با دقت بسیار بالا و با بازدهی بالاتری به لحاظ هزینه های محاسباتی حافظه و زمان نسبت به روش های رایج انتگرالگیری مستقیم و جداول جستجوی مقادیر پیش بینی کنند. نتایج حل عددی میدان جریان نیز تطابق کاملی با نتایج مطالعات گذشته نشان می دهند.}, keywords_fa = {شعله پیش مخلوط,شبیه سازی گردابه های بزرگ,شبکه عصبی مصنوعی,سینتیک شیمیایی}, url = {https://www.jfnc.ir/article_46184.html}, eprint = {https://www.jfnc.ir/article_46184_c4c22dc350ebded2a76e4d3ab8a4b433.pdf} }