基于图神经网络的化学机理降维方法用于燃烧应用
机器学习
2026-03-25 v1
摘要
涉及数百个物种和数千个反应的详细化学机理，以及包含数百万网格点的湍流反应流动的直接数值模拟，计算负担沉重。为此，我们提出两种基于图神经网络（GNN）的化学机理降维 formulation，采用带消息传递转换器层的GNN来学习物种与反应之间的非线性依赖关系。第一种方案GNN-SM采用预训练的代理模型在广泛的反应器条件下指导降维。第二种方案GNN-AE采用自编码器方案，以获得在训练所用热力学条件下保持准确性的高度紧凑机理。我们在甲烷（53物种，325反应）、乙烯（96物种，1054反应）和异辛烷（1034物种，8453反应）的详细机理上进行演示。GNN-SM实现的降维程度相当于 established 方法DRGEP，同时在宽广的热力学状态下保持准确性。相比之下，GNN-AE在物种和反应上实现最高95%的降维，并在目标条件内超越DRGEP。总体而言，所提出的框架提供了一条自动化、基于机器学习的化学机理降维路径，可补充传统的专家导向的解析方法。
引用
@article{arxiv.2603.22318,
title = {A graph neural network based chemical mechanism reduction method for combustion applications},
author = {Manuru Nithin Padiyar and Priyabrat Dash and Konduri Aditya},
journal= {arXiv preprint arXiv:2603.22318},
year = {2026}
}