用于预测反应混合状态的机器学习模型比较研究
机器学习
2021-03-17 v1 分布式、并行与集群计算
机器学习
数值分析
数值分析
摘要
对反应混合的准确预测对许多地球与环境科学问题至关重要。为研究不同情景下随时间的混合动力学，构建了一个基于有限元的高保真数值模型，求解快速、不可逆双分子反应-扩散方程，以模拟一系列反应混合情景。使用不同的模型输入参数集共进行了 2,315 次模拟，参数包括速度场中涡结构的各种空间尺度、与速度振荡相关的时间尺度、基于涡的速度扰动参数、各向异性弥散对比和分子扩散。输出包括反应物与产物的浓度分布。这些模拟的输入和输出分别拼接为特征矩阵和标签矩阵，用于训练 20 种不同的机器学习（ML）仿真器以逼近系统行为。基于线性方法、贝叶斯方法、集成学习方法和多层感知机（MLP）的 20 个 ML 仿真器被比较以评估这些模型。ML 仿真器专门训练用于分类混合状态并预测表征物质生成、衰减和混合程度的三个关注量（QoIs）。线性分类器和回归器未能复现 QoIs；然而，集成方法（分类器和回归器）与 MLP 能准确分类反应混合状态及 QoIs。在集成方法中，随机森林和基于决策树的 AdaBoost 忠实预测 QoIs。在运行时，训练好的 ML 仿真器比高保真数值模拟快约 倍。集成模型和 MLP 模型的速度与准确性促进了不确定性量化，后者通常需要数千次模型运行以估计 QoIs 上的不确定性界限。
引用
@article{arxiv.2002.11511,
title = {A Comparative Study of Machine Learning Models for Predicting the State of Reactive Mixing},
author = {B. Ahmmed and M. K. Mudunuru and S. Karra and S. C. James and V. V. Vesselinov},
journal= {arXiv preprint arXiv:2002.11511},
year = {2021}
}
备注
31 pages