Development of an integral LES model for turbulent premixed combustion at elevated pressures
Final Report Abstract
Turbulente Hochdruck-Vormischflammen spielen eine wichtige Rolle in technischen Anwendungen. Durch die mit zunehmendem Druck schnell sinkende Flammendicke sind sie allerdings besonders schwierig zu modellieren. Für Methan gilt beispielsweise 훿푡ℎ ∼ p^−0.5 . Insbesondere für alternative Kraftstoffe treten dabei auch Lewiszahlen ungleich Eins auf, was in Kombination mit erhöhtem Druck zu einem Wechselspiel zwischen Darrieus-Landau und Thermodiffusions-Instabilitäten führen kann. Das turbulente Ausbreitungsverhalten von Hochdruck-Bunsenflammen wurde zunächst im Hinblick auf die involvierten physikalischen Prozesse detailliert untersucht. Dabei wurden auch intrinsische Flammeninstabilitäten analysiert. Es zeigt sich, dass bei geeigneter Normierung, z.B. mit der Flammendicke, der Einfluss von Krümmung und Streckung auf die Flammenausbreitung für verschiedene Drücke vergleichbar bleibt. Damit reduziert sich das Modellierungsproblem zumindest teilweise zu einem Auflösungsproblem. Im Rahmen der algebraischen Modellierung von Flammenfaltung und Flammenoberflächendichte wurden Korrekturterme vorgeschlagen und sowohl a-priori als auch a-posteriori bewertet. Untersucht wurden a-priori ebenfalls der FSD-Transport sowie der Transport der Skalarvarianz. Auf der Suche nach einem geeigneten Modell für Hochdruckverbrennung, d.h. für große Verhältnisse von Filterweite zu Flammendicke wurde ein neuer Modellierungsansatz vorgeschlagen der auf drei Komponenten basiert: (i) der Filterung eindimensionaler Flammenprofile, (ii) der Berücksichtigung mehrdimensionaler Effekte durch einen geeigneten Filterkern und (iii) der Berücksichtigung der Flammenfaltung durch Einführung einer effektiven Filterweite. Erste Ergebnisse sind sehr vielversprechend und das Modell befindet sich in der Implementierung und Erprobung. Die a-priori Analysen haben allerdings auch grundlegende Defizite von existierenden algebraischen Modellen offenbart. Neuronale Netze sind bekannt für Ihre hervorragenden Approximationseigenschaften. Als Alternative zu den vorgenannten Ansätzen wurde daher versucht, mit Hilfe des maschinellen Lernens neuronale Netze zur Modellierung der gefilterten Reaktionsrate zu trainieren. A-priori Ergebnisse übertreffen die Vorhersagegüte von algebraischen Modellen, zumindest für einen beschränkten Parameterbereich deutlich und auch erste a-posteriori Anwendungen zeigen vielversprechende Ergebnisse.
Publications
-
On the validity of Damköhler's first hypothesis in turbulent Bunsen burner flames: A computational analysis. Proc. Comb. Inst., 37, 2019
N. Chakraborty, D. Alwazzan, M. Klein, and R.S. Cant
-
A near-exact analytic solution of progress variable and pdf for single-step Arrhenius chemistry. Combustion and Flame, 226:380-395, 2020
M. Pfitzner and M. Klein
-
Algebraic flame surface density modelling of high pressure turbulent premixed Bunsen flames. Flow Turbulence and Combustion, 1-15, 2020
R. Rasool, N. Chakraborty, and M. Klein
-
Statistical analysis and verification of a new premixed combustion model with DNS data. Combustion Science and Technology, 192(11):2093-2114, 2020
M. Hansinger, M. Pfitzner, and M. Klein
-
A data-driven subgrid scale model in Large Eddy Simulation of turbulent premixed combustion, Combustion and Flame, Volume 231, 111486, 2021
J. Shin, Y. Ge, A. Lampmann, M. Pfitzner
-
Effect of non-ambient pressure conditions and Lewis number variation on direct numerical simulation of turbulent Bunsen flames at low turbulence intensity combustion and flame. Combustion and Flame, 231:111500, 2021
R. Rasool, N. Chakraborty, and M. Klein
-
Flame surface density based mean reaction rate closure for Reynolds averaged Navier Stokes methodology in turbulent premixed Bunsen flames with non-unity Lewis number. Combustion and Flame, 239:111766, 2021
R. Rasool, N. Chakraborty, and M. Klein
-
A multidimensional combustion model for oblique, wrinkled premixed flames. Combustion and Flame, 241:112121, 2022
M. Pfitzner, J. Shin, and M. Klein
-
A priori analysis on deep learning of filtered reaction rate. Flow Turbulence and Combustion, 2022
J. Shin, M. Hansinger, M. Pfitzner, and M. Klein
