用于捕捉反应输运系统中混合模式的深度学习建模框架
机器学习
2021-12-15 v1 数值分析
数值分析
摘要
化学混合的预测与控制对许多科学领域至关重要，如地下反应输运、气候建模、燃烧、流行病学和药理学。由于异质和各向异性介质中混合的复杂性，与此现象相关的数学模型在解析上不可处理。数值模拟通常提供准确预测化学混合的可行途径。然而，当代的混合建模方法无法利用可用的时空数据来提高未来预测的准确性，并且计算密集，尤其在空间域较大和进行长期时间预测时。为弥补这一知识空白，我们在本文中提出一种应用于预测快速双分子反应下化学混合进程的深度学习（DL）建模框架。该框架使用卷积神经网络（CNN）捕捉空间模式，并使用长短期记忆（LSTM）网络预测混合中的时间变化。通过对框架的精心设计——在 CNN 权重上施加非负约束以及激活函数的选择，该框架确保了所有空间点和所有时刻化学物种的非负性。我们基于 DL 的框架快速、准确，且训练所需数据极少。
引用
@article{arxiv.2101.04227,
title = {A deep learning modeling framework to capture mixing patterns in reactive-transport systems},
author = {N. V. Jagtap and M. K. Mudunuru and K. B. Nakshatrala},
journal= {arXiv preprint arXiv:2101.04227},
year = {2021}
}