ChemNODE：一种用于化学动力学求解器的神经常微分方程方法
计算工程、金融与科学
2021-10-11 v3 流体动力学
摘要
在使用有限速率化学方法的反应流计算流体动力学模拟中，详细化学动力学求解仍为主要瓶颈之一。这促使人们利用全连接人工神经网络，将刚性化学源项预测为燃烧系统热化学状态的函数。然而，由于燃烧的非线性与多尺度特性，当这些深度学习模型与计算流体动力学求解器耦合时，预测解常偏离真实解。这是因为这些方法在训练时仅最小化误差，却未保证与常微分方程求解器的成功积分。本工作中，我们提出一种建模化学动力学的新颖神经常微分方程方法，称为 ChemNODE。在该深度学习框架中，神经网络预测的化学源项在训练期间被积分，并通过计算所需导数相应调整神经网络权重，以最小化预测解与真实解之间的差异。我们利用 ChemNODE 对氢-空气混合物在一系列组分与热力学条件下的均匀自燃进行了概念验证研究。结果表明，ChemNODE 能准确捕捉正确物理行为，并以极低计算成本复现采用完整化学动力学机制所得结果。
引用
@article{arxiv.2101.04749,
title = {ChemNODE: A Neural Ordinary Differential Equations Approach for Chemical Kinetics Solvers},
author = {Opeoluwa Owoyele and Pinaki Pal},
journal= {arXiv preprint arXiv:2101.04749},
year = {2021}
}