基于 PINNs 的费托反应微观动力学的准确快速求解
机器学习
2023-11-20 v1 人工智能
化学物理
计算物理
摘要
微观动力学可对许多工业相关反应中发生的化学转化进行精细建模。传统的费托合成（FTS）微观动力学模型求解方法在更先进的实时应用中变得低效。本工作中，我们通过使用物理信息神经网络（PINNs）对 FTS 微观动力学进行建模来解决这些挑战。我们提出了一种计算高效且准确的方法，能够在真实工艺条件下对现有微观动力学模型进行超快速求解。所提出的 PINN 模型计算空催化位点比例（FTS 微观动力学中的关键量）的中值相对误差（MRE）为 0.03%，FTS 产物生成速率的 MRE 为 0.1%。与传统方程求解器相比，该模型在 GPU 上运行时可实现高达 1E+06 倍的加速，从而足以用于多尺度与多物理场反应器建模，并使其能应用于实时过程控制与优化。
引用
@article{arxiv.2311.10456,
title = {Accurate and Fast Fischer-Tropsch Reaction Microkinetics using PINNs},
author = {Harshil Patel and Aniruddha Panda and Tymofii Nikolaienko and Stanislav Jaso and Alejandro Lopez and Kaushic Kalyanaraman},
journal= {arXiv preprint arXiv:2311.10456},
year = {2023}
}