基于深度学习的模型简化(DeePMR)方法用于化简化学动力学
机器学习
2022-09-09 v3 最优化与控制
摘要
提出一种基于深度学习的模型简化(DeePMR)方法用于化简化学动力学,并利用正庚烷/空气混合物的高温自动点火、完全搅拌反应器(PSR)和一维自由传播火焰进行验证。将机理简化建模为布尔空间上的优化问题,其中布尔向量各分量对应一个物种,表示简化机理。优化目标是在给定一组预选基准量误差容限下最小化简化机理规模。DeePMR 的核心思想是采用深度神经网络(DNN)来构造优化问题中的目标函数。为高效探索高维布尔空间,实施了迭代的 DNN 辅助数据采样与 DNN 训练流程。结果表明,DNN 辅助显著提升了采样效率,仅从 个可能样本中选取 个样本供 DNN 达到充分精度。结果证明了 DNN 识别关键物种并合理预测简化机理性能的能力。训练良好的 DNN 通过求解逆优化问题保证最优简化机理。通过比较点火延迟时间、层流火焰速度、PSR 内温度,所得骨架机理物种更少(45 物种)且与路径通量分析(PFA)方法所得骨架机理(56 物种)精度相当。此外,若仅考虑常压近化学计量条件(当量比介于 0.6 与 1.2 之间),该骨架机理可进一步缩减至 28 物种。DeePMR 为模型简化提供了创新途径,并展示了数据驱动方法在燃烧领域的巨大潜力。
引用
@article{arxiv.2201.02025,
title = {A deep learning-based model reduction (DeePMR) method for simplifying chemical kinetics},
author = {Zhiwei Wang and Yaoyu Zhang and Enhan Zhao and Yiguang Ju and Weinan E and Zhi-Qin John Xu and Tianhan Zhang},
journal= {arXiv preprint arXiv:2201.02025},
year = {2022}
}