減少排放到大氣中的碳量是一項政治優先事項。現任美國政府計劃到 2035 年實現電網凈零碳排放，到 2050 年實現全行業零碳排放。
為了實現這一目標，正在開發各種技術，利用人工智能的效率來對抗氣候變化。對于發電廠而言，開發減少碳排放、碳捕獲和儲存過程的技術需要詳細了解整個設施的相關流體力學和化學過程。這需要對流體力學、傳熱、化學反應及其相互作用程度進行科學精確的模擬。
工業用例的一個重要重點是開發更高效的燃料轉換裝置。目標是創造更靈活的設備，以便設備能夠以更可靠的方式與可再生資源集成。
至關重要的是要有更好的設計優化、不確定性量化和精確的數字孿生，這樣才能在不造成數十億美元損失的情況下充分處理能量轉換裝置的設計和控制。人工智能是一個自然的選擇，可以用來開發這樣的數字孿生，可以在不影響準確性的情況下提供近乎實時的預測。
這篇文章解釋了物理信息機器學習（ ML ）框架 NVIDIA PhysicsNeMo 如何與現有的流求解器結合使用，以實現大規模科學建模，并開發有助于實現凈零碳排放的電廠數字孿生。
用物理 ML 模擬工業電廠
新運行條件下的流場預測，如輸入條件或鍋爐部件幾何結構的變化，需要新的計算流體動力學模擬。如果模擬涵蓋了大量的空間參數，例如用于不確定性量化研究的參數，這可能會變得非常昂貴和耗時。而且，在大多數情況下，整個流場都不重要。神經網絡經過訓練后，可以在幾秒鐘內預測受影響區域所需點的流場。
NVIDIA PhysicsNeMo 的研究人員正與國家能源技術實驗室（ NETL ）一起開發一種能夠模擬湍流反應流的電廠鍋爐數字孿生模型。數字孿生將使用機器學習以高逼真度復制鍋爐內部的流動條件，并能夠為感興趣的操作條件提供接近瞬時的流動預測。
了解內部速度、溫度和物種場對于采取措施減少溫室氣體和污染物的排放至關重要。物理信息 ML ，也稱為物理 ML ，可用于建模預測控制，以幫助電廠操作員優化鍋爐運行條件，提高效率和性能。
雖然不是本研究的一部分，但應該注意的是，數字孿生也可以用于網絡安全目的，充當數字幽靈，分散入侵者對目標的注意力。這些數字重影向控制室提供系統狀態的合成變化的操作條件副本。如果入侵者訪問控制室數據，他們將無法區分實際操作數據和這些副本。該框架可以擴展到對其他發電廠部件進行建模，只需適度的努力。
使用實時反饋增強代理模型
代理模型還可以與來自連接到鍋爐的傳感器的實時反饋相耦合，以隨著現場數據的同化而不斷改進自身。
典型的電廠鍋爐包括數十個濃度傳感器、數百個溫度傳感器和數千個測量流量數據的傳感器。應優化這些傳感器的位置，以便在溫度可能超過 1000 ℃的惡劣鍋爐運行條件下，不會熔化或損壞這些傳感器。這些傳感器可以向代理模型提供數據流，以通過數據同化和在線學習不斷更新模型，從而提高模型的準確性和可靠性。
此外，物理模型的參數（如反應動力學和粘度）存在很多不確定性。使用傳感器數據可以通過將現場數據同化到代理模型中來減少這些不確定性。如果不考慮這些不確定性，可能會造成嚴重的金錢損失和數天甚至數月的停電。
圖 2 說明了本研究中用于求解甲烷和氧氣反應生成二氧化碳和水的流場、溫度和物質質量濃度的簡化鍋爐。流經鍋爐管的水被加熱并轉化為蒸汽，蒸汽被引導通過渦輪機發電。反應產物 CO2 和 H2O 被釋放到空氣中。如果被捕獲，它們可以被注入地下。
氧化劑入口速度直接控制鍋爐內的流動條件，進而控制其效率和性能。氧化劑輸入速度的變化影響鍋爐內的燃燒過程，進而影響整個系統的溫度和物種分布。
控制鍋爐內部的溫度非常重要，因為它直接影響工作流體的溫度和狀態，在本研究中，工作流體是水。這一點非常關鍵，必須滿足鍋爐外部不同部件（包括水管和渦輪機）的熱約束。
此外，氧化劑入口速度控制每單位時間進入反應器的空氣量，這直接影響物種的停留時間和總體混合行為。如果停留時間太短，則反應可能無法在鍋爐內正確發生，如果停留時間太長，則可能發生導致過量污染物排放的額外反應，如 CO 、 NOx 和 CO2 。因此，入口速度是優化燃燒過程和發電的關鍵變量。
| Equation Name | Equation |
| Continuity |  |
| Species Mass Fraction |  |
| Momentum |  |
| Temperature |  |
| Kinetics-Controlled Single Step Irreversible Reaction |  |
| Species Source/Sink Terms |  |
| Temperature Source Term |  |
如何使用物理信息 ML 構建鍋爐數字孿生模型
NVIDIA PhysicsNeMo 提供了一系列模型，這些模型可以純粹基于物理或數據，或數據和物理的組合進行訓練。通過參數化這些模型，并利用優化的推理管道， NVIDIA PhysicsNeMo 能夠預測不同操作和環境條件下的系統行為，作為后處理步驟。
如前所述， NVIDIA PhysicsNeMo 被用于開發一個參數化模型，該模型基于普通鍋爐的物理控制規律進行訓練。經過訓練后，該模型可提供鍋爐內部溫度、物種質量濃度、流速以及任何給定物種入口速度下的壓力的近瞬時預測。不使用訓練數據，損失函數僅根據神經網絡解滿足控制方程和邊界條件的程度來制定。
對于這個問題，入口的溫度被固定在 650K ，而壁的溫度為 350K 。該簡化情況的參數空間由變化的氧化劑入口速度跨越，其范圍在 1 至 5 m / s 之間。
使用零方程公式對湍流 Reynolds stresses 進行建模。 NVIDIA PhysicsNeMo 中的正弦表示網絡（ SiReN ）用作網絡架構。該網絡架構的一個關鍵組件是初始化方案，其中網絡的權重矩陣是從均勻分布中提取的。每個 Sin 激活的輸入具有正態分布，每個 Sin 活化的輸出具有 arcSin 分布。這保留了激活的分布，允許有效地構建和訓練深層架構。
網絡的第一層按因子縮放以跨越 Sin 函數的多個周期。經驗表明，這提供了良好的性能，并符合傅里葉網絡中輸入編碼的優點。 NVIDIA PhysicsNeMo 的幾個特征，如 L2 到 L1 損耗衰減和使用符號距離函數（ SDF ）的空間損耗加權，用于提高精度。通過利用 NVIDIA PhysicsNeMo 性能升級（如實時（ JIT ）編譯和 CUDA 圖形），將收斂時間降至最低。
NVIDIA PhysicsNeMo 團隊開發的移動時間窗方法用于瞬態流建模。在長時間內，僅使用傳統的連續時間方法求解瞬態模擬可能很困難。移動時間窗方法迭代求解小的連續時間窗。連續時間法用于在特定窗口內求解，每個時間窗口結束時的解用作下一個窗口的初始條件。
選擇性方程項抑制
對于燃燒建模， NETL 研究人員開發的一種新方法，稱為選擇性方程項抑制（ SETS ），被用于大幅提高訓練收斂性。
對于幾個偏微分方程（ PDE ），物理方程中的項在時間和量級上具有不同的尺度（有時也稱為剛性 PDE ）。對于這樣的 PDE ，盡管對較小項處理不當，損失方程似乎可以最小化。
使用 SETS 方法來解決這個問題，您可以創建同一 PDE 的多個實例并凍結某些術語。在優化過程中，這會迫使優化器使用前一次迭代中的值作為凍結項。因此，優化器最小化 PDE 中的每個項，并有效地減少方程殘差。
這防止了 PDE 中的任何一項支配損耗梯度。在每個實例中創建具有不同凍結項的多個實例允許物理的整體表示保持不變，同時允許神經網絡更好地學習方程中所有項之間的動態平衡。
然而，創建同一等式的多個實例（具有不同的凍結項）也會創建多個損失項，每個損失項的權重可以不同。還開發了幾種其他配方來有效處理僵硬的 PDE ：
- 在訓練期間逐步增加源項，以使神經網絡更好地適應問題。
- 通過調整物種方程和溫度方程的訓練順序及其訓練實例的相對數量，更好地控制它們之間的耦合。
殘余歸一化
用于改進訓練收斂性的另一種新方法是殘差歸一化或重新歸一化。在神經網絡求解器的損失平衡中使用的主要方法是將參數乘以每個單獨的損失項，以平衡每個項對總損失的貢獻。然而，手動調整這些參數并不簡單，還需要將這些參數視為常量。 ResNorm 最大限度地減少了一個額外的損失項，它鼓勵個體損失采取類似的相對幅度。基于不同約束的相對訓練速率，在整個訓練過程中動態調整損失權重。
兩種反應物質（產物種類和溫度）的分布如圖 5 所示。反應物接觸形成形成產物的薄反應區。然后釋放能量，提高局部溫度，并在整個區域內進行平流和擴散。
與 NVIDIA Omniverse 的 3D 設計集成
NVIDIA Omniverse 是一個易于擴展的平臺，用于 3D 設計協作和可擴展的多 GPU 、實時、真實模擬。 NVIDIA PhysicsNeMo 的 NVIDIA Omniverse 擴展支持實時、虛擬世界模擬和全設計逼真可視化。內置管道可用于常見可視化，如 NVIDIA PhysicsNeMo 模型輸出的流線和等值線。
這種集成的另一個好處是，當設計參數變化時，能夠近實時地可視化和分析高保真仿真輸出。在電廠鍋爐項目的最后部分， NVIDIA PhysicsNeMo 的 NVIDIA Omniverse 擴展將用于開發一個鍋爐數字孿生模型，該模型使用最終訓練的模型，在不同的運行條件下，對鍋爐內的流量、溫度、壓力和物質質量濃度進行近瞬時預測和可視化。
要了解有關 NVIDIA PhysicsNeMo 與 NVIDIA Omniverse 集成的更多信息，請參見 Visualizing Interactive Simulations with Omniverse Extension for NVIDIA PhysicsNeMo 。
有關更多相關學習，請查看自定進度的在線課程 Introduction to Physics-informed Machine Learning with PhysicsNeMo 和免費的 NVIDIA On Demand 會話 Journey Toward Zero-Carbon Emissions Leveraging AI for Scientific Digital Twins 。
免責聲明：該項目由美國能源部國家能源技術實驗室資助，部分通過現場支持合同。美國政府或其任何機構、其任何雇員、支持承包商或其任何雇員均不對所披露的任何信息、設備、產品或過程的準確性、完整性或有用性作出任何明示或暗示的保證，或承擔任何法律責任或責任，或表示其使用不會侵犯私有權利。本文中以商品名、商標、制造商或其他方式提及的任何特定商業產品、工藝或服務，并不一定構成或暗示其得到美國政府或其任何機構的認可、推薦或青睞。本文作者所表達的觀點和意見不一定陳述或反映美國政府或其任何機構的觀點和觀點。
?
