Cuốn sách truy cập mở này giới thiệu và giải thích các thuật toán và kỹ thuật học máy (ML) được phát triển để suy luận thống kê về một quy trình hoặc hệ thống phức tạp cũng như các ứng dụng của chúng để mô phỏng các dòng chảy hỗn loạn phản ứng hóa học. Hai lĩnh vực này, ML và quá trình đốt cháy hỗn loạn, có khối lượng công việc và kiến ​​thức lớn, cuốn sách này tập hợp chúng lại với nhau và giải thích sự phức tạp cũng như thách thức liên quan đến việc áp dụng các kỹ thuật ML để mô phỏng và nghiên cứu các dòng phản ứng. Điều này rất quan trọng đối với tổng nguồn cung cấp năng lượng sơ cấp (TPES) của thế giới, vì hơn 90% nguồn cung này là thông qua công nghệ đốt và những tác động không thể bỏ qua của quá trình đốt cháy đối với môi trường. Mặc dù các công nghệ thay thế dựa trên năng lượng tái tạo đang xuất hiện nhưng tỷ trọng TPES của chúng hiện nay chưa đến 5% và người ta cần một sự thay đổi mô hình hoàn chỉnh để thay thế các nguồn đốt. Điều này có thực tế hay không lại là một câu hỏi hoàn toàn khác và câu trả lời cho câu hỏi này phụ thuộc vào người trả lời. Tuy nhiên, một phân tích thực tế cho thấy rằng tỷ lệ đốt cháy trong TPES có thể sẽ cao hơn 70% thậm chí vào năm 2070. Do đó, sẽ cần thận trọng khi tận dụng các kỹ thuật ML để cải thiện khoa học và công nghệ đốt để quá trình đốt cháy hiệu quả và “xanh hơn” hệ thống thân thiện hơn với môi trường có thể được thiết kế. Cuốn sách đề cập đến công nghệ tiên tiến hiện nay trong hai chủ đề này và nêu ra những thách thức liên quan, ưu điểm và nhược điểm của việc sử dụng ML cho mô phỏng quá trình đốt cháy hỗn loạn, bao gồm cả những con đường có thể được khám phá để vượt qua những thách thức. Các phương trình và nền tảng toán học cần thiết được thảo luận với nhiều tài liệu tham khảo để người đọc tìm thêm chi tiết nếu muốn. Cuốn sách này là duy nhất vì không có cuốn sách nào có chủ đề tương tự, từ phân tích dữ liệu lớn và thuật toán học máy cho đến các ứng dụng của chúng cho khoa học đốt cháy và thiết kế hệ thống để tạo ra năng lượng.

Abstract:

This open access book introduces and explains machine learning (ML) algorithms and techniques developed for statistical inferences on a complex process or system and their applications to simulations of chemically reacting turbulent flows. These two fields, ML and turbulent combustion, have large body of work and knowledge on their own, and this book brings them together and explain the complexities and challenges involved in applying ML techniques to simulate and study reacting flows. This is important as to the world’s total primary energy supply (TPES), since more than 90% of this supply is through combustion technologies and the non-negligible effects of combustion on environment. Although alternative technologies based on renewable energies are coming up, their shares for the TPES is are less than 5% currently and one needs a complete paradigm shift to replace combustion sources. Whether this is practical or not is entirely a different question, and an answer to this question depends on the respondent. However, a pragmatic analysis suggests that the combustion share to TPES is likely to be more than 70% even by 2070. Hence, it will be prudent to take advantage of ML techniques to improve combustion sciences and technologies so that efficient and “greener” combustion systems that are friendlier to the environment can be designed. The book covers the current state of the art in these two topics and outlines the challenges involved, merits and drawbacks of using ML for turbulent combustion simulations including avenues which can be explored to overcome the challenges. The required mathematical equations and backgrounds are discussed with ample references for readers to find further detail if they wish. This book is unique since there is not any book with similar coverage of topics, ranging from big data analysis and machine learning algorithm to their applications for combustion science and syst