基于机器学习的瞬态动力学数据先验校准
机器学习
2021-10-01 v1 化学物理
仪器与探测器
摘要
产物瞬时分析（TAP）反应器提供了大量瞬态动力学信息，可用于描述多种化学特征，包括停留时间分布、动力学系数、活性位点数量以及反应机理。然而，与任何测量设备一样，TAP 反应器信号会与噪声卷积。为降低动力学测量及任何派生参数或机理的不确定性，必须在任何高级分析之前进行恰当的预处理。该预处理包括基线校正（即电压响应的偏移）和校准（即基于先前实验的通量响应缩放）。当前的预处理方法需要大量用户判断，并依赖可能随时间漂移的先前实验。在此，我们使用结合物理约束的机器学习技术将原始仪器信号转换为化学信息。因此，所提方法在惰性产物和进料混合产物的校准中，无需先验校准实验或用户启发式输入，相对于传统预处理展现出明显优势。
引用
@article{arxiv.2109.15042,
title = {A Priori Calibration of Transient Kinetics Data via Machine Learning},
author = {M. Ross Kunz and Adam Yonge and Rakesh Batchu and Zongtang Fang and Yixiao Wang and Gregory Yablonsky and Andrew J. Medford and Rebecca Fushimi},
journal= {arXiv preprint arXiv:2109.15042},
year = {2021}
}