By this author

Surrogate Models of Hydrogen Oxidation Kinetics based on Deep Neural Networks

Issue number 2 from 01.03.2023

Мы представляем основанную на данных суррогатную модель химической кинетики окисления водорода воздухом с использованием рекуррентных нейронных сетей и нейронных сетей с прямой связью. Потенциальным применением работы является использование машинного обучения в решении уравнений аэрогидродинамики, что необходимо в разработке и оптимизации современных химических технологий. Анализируется чувствительность результатов к размеру набора данных и параметрам сети. Показано что нейронные сети значительно превосходят по скорости расчета прямое численное решение кинетических уравнений, в зависимости от постановки задачи и числа начальных условий, для которых одновременно предсказываются результаты. Для семикомпонентного реакционного механизма в адиабатической системе, обученная на выборке из одного миллиона начальных условий модель позволила предсказать зависимости концентраций и температуры от времени на интервале в 20 микросекунд со среднеквадратичным отклонением, не превышающим 2%. Однако были выявлены и точки с большими отклонениями, достигающими 10%, прежде всего для компонентов, концентрации которых малы. Результаты работы продемонстрировали значительный потенциал методов машинного обучения для моделирования химических превращений в решателях вычислительной аэрогидродинамики. Ресурсами увеличения точности являются: (а) раздельное моделирование краткосрочной и долгосрочной динамики; (б) повторная оптимизация параметров сети даже при незначительных модификациях реакционного механизма; (в) разработка более универсальных подходов для соблюдения законов сохранения; (г) применение физически информированного машинного обучения.

128 0