近年来，机器学习等人工智能方法在图像识别、自然语言处理、推荐系统等领域取得了颠覆性的成果。在自然科学领域，以机器学习为代表的AI方法突破了传统牛顿范式的物理建模思维，被称为“科学发现的第四范式”。在湍流燃烧领域，数值仿真与实验测量产生了大量数据，而湍流燃烧的复杂物理规律就隐藏其中。传统研究方法对于此类信息的处理主要利用基于物理规则的模型，但随着数据量的增加，基于数据驱动的方法开始得到重视。机器学习技术为发掘隐藏在大量看似无序的湍流燃烧数据背后的物理规律提供了一种新的范式。

研究方法

本研究首先简要综述了机器学习在湍流燃烧研究中的应用，包含化学动力学建模与加速、湍流燃烧建模等方面。然后介绍了机器学习在发动机性能预测与优化、燃烧不稳定性预测与控制等方面的应用。最后讨论了机器学习在湍流燃烧研究中面临的挑战与未来的展望。

成果简介

综述结论指出，机器学习技术的进步与湍流燃烧的发展，两者互相促进，有广阔前景和发展潜力，机器学习在未来的湍流燃烧模型化中必将扮演着更加重要的角色，但也存在大量问题，主要表现在：样本集的选取、网络结构与训练方法的选取、模型的适用范围和精度这四个方面。因此，在现有工作积累的经验基础上，研究者在未来的研究工作中需要重点关注：面向物理问题机器学习的样本构建方法与特征提取准则、面向物理问题机器学习的建模方法、面向物理问题机器学习的误差控制与鲁棒性三个方面，从而建立面向物理问题的机器学习理论与方法，同时紧密结合工程问题的实际需求，去攻克湍流燃烧领域悬而未决的科学问题和工程设计面临的卡脖子难题。

三级旋流构型雾化、油膜、蒸发仿真结果

课题组简介

任祝寅课题组在国家自然科学基金委“杰出青年基金”项目、“面向发动机湍流燃烧基础研究”重大研究计划重点和集成项目等支持下，在湍流燃烧机理和建模、碳氢燃料化学反应动力学特性和输运反应耦合机制以及湍流燃烧模拟不确定性分析方面取得多项创新型成果。开发了湍流燃烧高保真大涡模拟平台，完成了多种湍流燃烧过程的高保真大涡模拟的细致研究；针对燃烧室内点火、污染物排放、燃烧组织调控和不稳定燃烧控制等关键性能发展了性能分析软件平台，并在相关工程研制中得到应用。

文章信息：

安健, 陈宇轩, 苏星宇, 等.机器学习在湍流燃烧及发动机中的应用与展望[J].清华大学学报(自然科学版),2023,63(04):462-472.DOI:10.16511/j.cnki.qhdxxb.2023.25.001.

期刊介绍

《清华大学学报（自然科学版）》创刊于1915年，已有百年历史，是中国最早同时以大学校名和“学报”冠名的期刊。《清华大学学报（自然科学版）》现由清华大学出版社出版，月刊。作为名副其实的“老字号”期刊，众多学术权威的力作与莘莘学子的处女作在其上交相辉映，使之成为清华大学自强不息、厚德载物的科学精神的见证。

清华大学学报（自然科学版）》被多家国际性文献检索机构如Ei、CA、MR、РЖ、INSPEC、Zbl等及国内多家全国性文献检索机构如中文核心期刊要目总览、CSCD、CNKI 等收录。1999、2003年荣获第一、二届国家期刊奖，2005年荣获第三届国家期刊奖提名奖，2010、2013年荣获第二、三届中国出版政府奖期刊提名奖，2009年被评为“新中国60年有影响力的期刊”，2013、2015、2017年荣获全国百强科技期刊。