用于变初始条件循环吸附过程代理建模的深度算子网络
机器学习
2026-01-15 v1
摘要
深度算子网络在各种神经网络类型中正逐渐成为学习函数空间之间映射的基础工具，并因其逼近非线性算子的能力而近期受到关注。特别是，DeepONet 为偏微分方程（PDE）求解提供了一种自然的表述，因为偏微分方程的解可以解释为将初始条件映射到其对应解场的算子。在这项工作中，我们将 DeepONet 应用于吸附技术的过程建模，以评估其作为循环吸附过程模拟和优化代理的可行性。目标是加速诸如温度-真空变压吸附（TVSA）等循环过程的收敛，这些过程需要重复求解瞬态 PDE，计算成本高昂。由于循环吸附过程的每一步都从前一步的最终状态开始，有效的代理建模需要在广泛的初始条件下进行泛化。控制方程表现出陡峭的行波前，为算子学习提供了苛刻的基准。为了评估这些条件下的函数泛化能力，我们构建了一个由异构初始条件组成的混合训练数据集，并训练 DeepONet 以逼近相应的解算子。然后，将训练好的模型在训练期间使用的参数范围之外的初始条件以及完全未见的函数形式上进行测试。结果表明，在训练分布内外均能进行准确预测，突显了 DeepONet 作为加速循环吸附模拟和优化工作流程的高效代理的潜力。
引用
@article{arxiv.2601.09491,
title = {Deep Operator Networks for Surrogate Modeling of Cyclic Adsorption Processes with Varying Initial Conditions},
author = {Beatrice Ceccanti and Mattia Galanti and Ivo Roghair and Martin van Sint Annaland},
journal= {arXiv preprint arXiv:2601.09491},
year = {2026}
}
备注
36 pages, 11 figures