基于动力学信息神经网络的产品反应器瞬态动力学微动力学模型拟合
计算工程、金融与科学
2024-06-21 v1
摘要
时间分析产品(TAP)技术产生大量瞬态动力学数据集，但将大量原始数据转化为可解释的动力学模型具有挑战性，这主要由于现有数值方法在拟合TAP数据时的计算规模问题。本文利用动力学信息神经网络(KINNs)，这些是人造前馈神经网络，用于受微动力学模型约束求解常微分方程，以对TAP数据进行建模。我们演示了在假设所有浓度在薄催化剂区已知的情况下，KINNs能够同时拟合瞬态数据、检索动力学模型参数，并对多脉冲实验中的不可见脉冲行为进行插值。我们进一步演示了通过修改损失函数，KINNs在无法获得精确薄区信息（如实际实验TAP数据所致）时仍具备这些能力。我们还将方法与现有优化技术进行比较，结果显示其在容忍噪声方面性能更好，能够更有效地提取动力学参数。KINNs方法为TAP分析提供了有效的替代方案，可帮助解释在复杂系统中长时间尺度上的瞬态动力学。
引用
@article{arxiv.2406.13904,
title = {Fitting micro-kinetic models to transient kinetics of temporal analysis of product reactors using kinetics-informed neural networks},
author = {Dingqi Nai and Gabriel S. Gusmão and Zachary A. Kilwein and Fani Boukouvala and Andrew J. Medford},
journal= {arXiv preprint arXiv:2406.13904},
year = {2024}
}
备注
18 pages main, 13 pages SI, 16 figures, 5 tables