ARTICLE · 1048582
【临界原生】当AI遇见燃烧:DeepFlame如何重塑火箭发动机仿真
火箭发动机内部存在高速流动、燃烧、传热等高度耦合的复杂过程。要真正服务工程设计，数值模拟不仅要“算得出”，还要“算得准、算得快、自动运行”。
作为「Prime一行」智能体的计算引擎，DeepFlame融合高保真燃烧流体仿真、AI for Science、CPU/GPU异构加速与智能体技术，在提升计算精度与效率的同时，支持仿真任务的自动调用、批量运行与结果分析，逐步构建面向工程设计的智能化仿真工作流。
在火箭发动机里，燃料与氧化剂从喷注器进入燃烧室，在极短时间和有限空间内完成雾化、混合、点火与燃烧，随后高温燃气经过喷管加速喷出。这个看似连续的过程，背后同时包含跨/超临界掺混、湍流、多组分输运、传热、化学反应等复杂物理化学机制。每增加一层网格分辨率或选择更详细的化学反应机理，计算成本都可能迅速上升。
DeepFlame仿真平台的架构示意图
这也是火箭发动机数值模拟长期面对的矛盾：工程设计需要不断优化几何构型和工况，高保真仿真却往往需要大量计算资源和等待时间。如何让复杂燃烧流体数值模拟既保持物理可信度，又能更快进入设计闭环，成为新一代研发工具必须回答的问题。
01
从“解决基础燃烧问题”
到“面向复杂推进系统”
DeepFlame是一套面向燃烧流体数值模拟的开源计算流体力学平台。它将OpenFOAM的流体求解能力、Cantera的高精度化学反应与热物性计算能力，以及PyTorch的机器学习能力连接到同一套计算框架中[1]。这套计算框架的意义，不是简单地把三个软件放在一起，而是让流动、化学与AI模型能够在一个求解流程中交换数据：流场给出每个网格单元的温度、压力和组分，AI模型则可以加速最昂贵的计算环节。
2D射流演化火焰
氢氨射流火焰
围绕不同反应流问题，DeepFlame已经形成多类求解能力，例如低马赫数可压缩反应流，高速可压缩反应流，喷雾燃烧等。
单相与两相爆轰
对应到火箭发动机，这些能力可以分别服务于推进剂的喷注雾化和蒸发掺混、高压燃烧反应、喷管高速流动等研究。一个平台覆盖多类物理问题，也为同一构型在不同保真度和不同研发阶段之间迁移提供了基础。
钝体火焰[7]
02
用AI加速燃烧模拟中的化学计算
在火箭发动机的燃烧模拟中，化学反应积分往往最耗时。传统方法需要在每个网格、每个时间步都反复求解复杂化学方程。DeepFlame团队发展并开源了面向高维刚性化学动力学的深度学习框架：DFODE-Kit[2]。让神经网络先学习大量高精度化学计算结果，实际仿真时直接根据当前温度、压力和组分快速推理获得反应速率，从而降低刚性常微分方程组求解的时间成本。它不是绕开物理规律生成一幅“像火焰的图”，而是在传统控制方程框架内，承担一个原本计算昂贵的子问题。
这对火箭仿真的价值很直接：当详细机理、复杂推进剂或大规模网格把化学成本推高时，AI加速有机会把原本只能少量开展的高保真计算，转化为可以重复调用的工程评价能力。
DFODE-Kit 框架
03
GPU加速，不只加速一个模型
如果每一步计算都要在CPU与GPU之间频繁搬运数据，局部模块再快，也可能被通信和等待抵消。DeepFlame的进一步演化路线，是把加速从化学反应模块逐步扩展到CFD求解全流程。
在DeepFlame 1.3中，dfLowMachFoam首次引入了燃烧流体的全流程GPU求解。2025年发布的DeepFlame 2.0[3]进一步系统总结了全GPU原生、机器学习加速的燃烧反应流模拟框架。
全流程GPU求解：DNN耦合自研线性方程组求解器，计算加速超过160倍
04
面向火箭发动机，
真正重要的是多物理耦合
液体火箭发动机涉及喷雾雾化、液滴蒸发、湍流燃烧、高压真实流体及高速可压缩流动等强耦合过程。针对这些问题，DeepFlame已形成欧拉—拉格朗日两相流、真实流体物性、详细化学反应、RANS/LES/QDNS湍流及高速反应流等模型能力，并集成HLLC、AUSMDV、WENO等高分辨率数值格式，可覆盖液体火箭发动机喷雾燃烧、跨/超临界燃烧以及激波、爆轰等典型场景[4][5]。相关能力也已用于近期某型火箭发动机点火系统的方案验证，为工程设计提供了仿真支撑。
DeepFlame GOX/GCH4单喷注器模型燃烧室（LES+EDM）
高保真计算则通过标准算例验证、部件级校核到工程工况验证逐层推进，并结合守恒性、网格无关性、统计收敛和试验数据评估结果可信度[6]
DeepFlame多喷注器模型燃烧室的大涡模拟
DeepFlame 500N液氧煤油推力室的大涡模拟
dfHighSpeedFoam拉瓦尔喷管数值模拟
05
从求解器到智能研发闭环
当计算加速后，瓶颈将从“算得快不快”转向算例准备、任务提交、失败诊断、结果判断与迭代。DeepFlame也由此开始从单一求解器向可被智能体驱动的燃烧科学计算平台演进。
这与「Prime一行」连接目标、工程资料、专业工具、HPC、验证与反馈的方向形成衔接。在闭环中，智能体生成候选构型，DeepFlame承担高保真的燃烧流场预测，验证结果再反馈设计端更新参数，使物理求解从独立环节进入可持续迭代的智能研发流程。
结语
让高保真计算成为
可持续调用的能力
火箭发动机研发的价值，在于将可靠的控制方程、可验证的机器学习模型、高效异构硬件与可追踪的工程工作流形成闭环。
DeepFlame正在做的，正是让这几部分进入同一套开放框架：用多物理模型覆盖复杂燃烧，用AI降低化学与热物性的计算成本，用GPU扩展高保真计算的规模，再用智能体把计算嵌入设计—验证—反馈闭环。
当一次仿真能够更快完成、一次失败能够被及时诊断、一次计算结果能够进入下一轮设计，高保真反应流才会从昂贵的“最终验证”，逐步变成火箭发动机研发中可以持续调用的日常能力。
参考文献：
[1]Mao, R. et al. DeepFlame: A deep learning empowered open-source platform for reacting flow simulations. Computer Physics Communications, 291, 108842, 2023.
[2]Li, H. et al. DFODE-kit: Deep learning package for solving flame chemical kinetics with high-dimensional stiff ODEs. Computer Physics Communications, 110013, 2025.
[3]Mao, R. et al. DeepFlame 2.0: Fully GPU-native machine-learning-accelerated reacting flow simulations. Computer Physics Communications, 312, 109595, 2025.
[4]Lin, M. et al. An open-source Euler–Lagrangian solver for two-phase detonative and supersonic reacting flows. Physics of Fluids, 38(1), 2026.
[5]Guo, Z. et al. Deep Learning-Enabled Supercritical Flame Simulation at Detailed Chemistry and Real-Fluid Accuracy Towards Trillion-Cell Scale. SC 2025, pp. 1888–1900, 2025.
[6]Mao, R. et al. An integrated framework for accelerating reactive flow simulation using GPU and machine learning models. Proceedings of the Combustion Institute, 40(1–4), 105512, 2024.
[7]Mao, R. et al. Asymmetric flame-vortex dynamics induced by self-excited transverse instability in a dual bluff-body spray burner. Proceedings of the Combustion Institute, 41, 105967, 2025.
