Tesis:
Innovative Data-Driven Methods for Clustering and Flow Control in Reacting Flows
- Autor: CORROCHANO CALCERRADA, Adrián
- Título: Innovative Data-Driven Methods for Clustering and Flow Control in Reacting Flows
- Fecha: 2025
- Materia:
- Escuela: E.T.S.I. AERONÁUTICA Y DEL ESPACIO
- Departamentos: MATEMATICA APLICADA A LA INGENIERIA AEROESPACIAL
- Acceso electrónico: https://oa.upm.es/88600/
- Director/a 1º: LE CLAINCHE MARTÍNEZ, Soledad
- Resumen: The present Doctoral Thesis develops new algorithms for developing Reduced Order Models (ROMs) in reacting flows. These novel algorithms pursue different objectives, which are the reduction of the dimensionality of big databases, the clustering of variables with similar dynamics and the control of the reacting flow to increase the efficiency and diminish the emission of pollutants.
These objectives are enclosed in the global goal for the European Union to become climate-neutral by 2050. With this purpose, the study of reacting flows has become very popular in the research community. However, modelling combustion is very challenging from both experimental and numerical insights. On the one hand, experiments are complicated due to the small time scales, the complex reaction driving their dynamics and the high cost of specialised materials, between other reasons. On the other hand, high-quality numerical simulations are also challenging. The numerous species involved, the turbulent-chemistry interaction and the wide range of magnitudes and time scales, make the numerical simulations highly expensive in terms of computational time and memory usage.
ROMs have raised to address this problem, as they can model the main flow dynamics at reduced computational cost. In the present Doctoral Thesis, the ROMs developed are based on Higher Order Dynamic Mode Decomposition (HODMD). This fully data-driven method, well-known in the fluid dynamics' community, decomposes a database into modes which move in time with a given frequency. These modes are patterns which describe the main flow dynamics. The first task is to adapt this algorithm to analyse reacting flows' databases. For this purpose, first, the database is preprocessed following the classical preprocessing techniques generally used in machine learning. The performance of the mentioned algorithm has been assessed with different quality indicators, measuring the error made on the calculations and the level of reduction of the dimensionality carried out. After that, the possibility to couple this algorithms with other typically used in combustion, as Principal Component Analysis (PCA) is also analysed with good results, demonstrating the robustness of the method for developing ROMs.
Once adapting the main algorithm used in the Doctoral Thesis for combustion databases, two different algorithms have been developed based on HODMD with two different and clear purposes. The first one, named hierarchical HODMD (h-HODMD), is a data-driven algorithm able to perform clustering of variables based on their dynamics. The algorithm iteratively performs HODMD and extracts a cluster of variables from the database, associating them a set of HODMD modes, frequencies and amplitudes. First, the algorithm has been used to reduce the reconstruction error, outperforming HODMD in the recreation of combustion databases. Secondly, the clusters have been analysed from the kinetics perspective, providing good results, as it made separated clusters for the nitrogen oxides and the oxy- and peroxy radicals, with different time scales for their dynamics.
The second algorithm developed aims to achieve flow control. With this purpose, the algorithm calculates the so-called non-linear structural sensitivity. This concept identifies the regions of the flow more prone to changes in the main dynamics. The algorithm was first developed for laminar non-reactive flows, and its performance was then compared to the classical theory. Due to its potential, the algorithm was then applied to more complex cases. The algorithm has been found to be useful for non-Newtonian fluids and combustion. In this latter case, the control of the flow is translated into an increase in the combustion efficiency and the reduce of the nitrogen oxides emissions.
RESUMEN
La presente Tesis desarrolla nuevos algoritmos para la construcción de Modelos de Orden Reducido (MOR) en flujos reactivos. Estos algoritmos innovadores persiguen diversos objetivos, entre los que destacan la reducción de la dimensionalidad de grandes bases de datos, la agrupación de variables con dinámicas similares y el control de flujos reactivos para incrementar la eficiencia y reducir las emisiones de contaminantes.
Estos objetivos están alineados con la meta global de la Unión Europea de alcanzar la neutralidad climática para el año 2050. La modelización de la combustión plantea grandes desafíos tanto desde el punto de vista experimental como numérico. Por un lado, los experimentos son complejos debido a las pequeñas escalas de tiempo, las reacciones complejas que impulsan sus dinámicas y el alto coste de los materiales especializados, entre otras razones. Por otro lado, las simulaciones numéricas de alta calidad también presentan dificultades. La gran cantidad de especies involucradas, la interacción turbulencia-química y el amplio rango de magnitudes y escalas de tiempo hacen que estas simulaciones sean altamente costosas en términos de tiempo computacional y uso de memoria.
Los MORs han surgido como una solución a este problema, ya que permiten modelar las principales dinámicas a un coste computacional reducido. En la presente Tesis, los MORs desarrollados se basan en Higher Order Dynamic Mode Decomposition (HODMD). Este método, completamente basado en datos y ampliamente conocido en la comunidad de dinámica de fluidos, descompone una base de datos en modos que evolucionan en el tiempo con una frecuencia determinada. Estos modos son patrones que describen las principales dinámicas del flujo. La primera tarea consiste en adaptar este algoritmo para analizar bases de datos de flujos reactivos. Para ello, en primer lugar, la base de datos se preprocesa siguiendo técnicas clásicas de preprocesamiento. El rendimiento del algoritmo se ha evaluado mediante diversos indicadores de calidad, midiendo el error cometido en los cálculos y el nivel de reducción de la dimensionalidad alcanzado. Posteriormente, se ha analizado la posibilidad de acoplar este algoritmo con otros métodos comúnmente empleados en combustión, como el Análisis de Componentes Principales (PCA), obteniendo buenos resultados que demuestran la robustez del método para el desarrollo de ROMs.
Una vez adaptado el algoritmo principal utilizado en la Tesis Doctoral para bases de datos de combustión, se han desarrollado dos algoritmos diferentes basados en HODMD, cada uno con un propósito claro y definido. El primero, denominado hierarchical HODMD, es un algoritmo basado en datos capaz de realizar grupos de variables en función de su dinámica. El algoritmo aplica HODMD de manera iterativa, extrayendo un grupo de variables de la base de datos y asociando este grupo con un conjunto de modos, frecuencias y amplitudes. En primer lugar, el algoritmo se ha utilizado para reducir el error de reconstrucción, superando el rendimiento de HODMD. En segundo lugar, se han analizado los grupos desde una perspectiva cinética, obteniendo buenos resultados al separar, por ejemplo, los óxidos de nitrógeno de los radicales oxi- y peroxi, que presentan diferentes escalas de tiempo en sus dinámicas.
El segundo algoritmo desarrollado tiene como objetivo lograr el control del flujo. Con este propósito, el algoritmo calcula la llamada sensibilidad estructural no lineal. Este concepto identifica las regiones del flujo más propensas a cambios en las dinámicas principales. El algoritmo se desarrolló inicialmente para flujos laminares no reactivos, comparando su rendimiento con la teoría clásica. Debido a su potencial, el algoritmo se aplicó posteriormente a casos más complejos. Se ha demostrado que el algoritmo es útil para fluidos no newtonianos y combustión. En este último caso, el control del flujo se traduce en un aumento de la eficiencia y en la reducción de las emisiones.