FMEnets：用于非理想活塞流反应器设计的流动、物料与能量网络
机器学习
2025-05-28 v1 流体动力学
摘要
我们提出了 FMEnets，这是一个用于非理想活塞流反应器设计与分析的物理知情机器学习框架。FMEnets 将基本控制方程（用于流体流动的 Navier-Stokes 方程、用于反应物种输运的物料平衡方程以及用于温度分布的能量平衡方程）集成到一个统一的多尺度网络模型中。该框架由三个相互连接且具有独立优化器的子网络组成，能够同时进行正向和逆向问题求解。在正向模式下，FMEnets 仅使用进出口信息即可预测速度、压力、物种浓度和温度分布。在逆向模式下，FMEnets 利用稀疏的多停留时间测量数据，同时推断未知的动力学参数和状态。FMEnets 既可以实现为采用传统多层感知机的 FME-PINNs，也可以实现为基于 Kolmogorov-Arnold Networks 的 FME-KANs。全面的消融研究突出了 FMEnets 架构在实现准确预测中的关键作用。具体而言，尽管在无噪声条件下两种表示在准确性和速度上相当，但 FME-KANs 比 FME-PINNs 对噪声更具鲁棒性。所提出的框架被应用于三组不同的反应场景，并与有限元仿真进行了比较。FMEnets 有效地捕捉了复杂的相互作用，未知动力学参数的相对误差小于 2.5%。这种新的网络框架不仅为反应器设计和优化提供了一种计算高效的替代方案，而且为整合经验关联式、有限且含噪声的实验数据以及基本物理方程以指导反应器设计开辟了新途径。
引用
@article{arxiv.2505.20300,
title = {FMEnets: Flow, Material, and Energy networks for non-ideal plug flow reactor design},
author = {Chenxi Wu and Juan Diego Toscano and Khemraj Shukla and Yingjie Chen and Ali Shahmohammadi and Edward Raymond and Thomas Toupy and Neda Nazemifard and Charles Papageorgiou and George Em Karniadakis},
journal= {arXiv preprint arXiv:2505.20300},
year = {2025}
}