基于神经常微分方程的动力学参数优化
化学物理
2022-09-07 v1 流体动力学
摘要
化学动力学机理对于理解、分析和模拟复杂燃烧现象至关重要。本研究采用神经常微分方程 (Neural ODE) 框架来优化反应机理的动力学参数。给定实验或高成本模拟观测作为训练数据，所提算法能够最优地恢复数据中隐藏的特征。测试了不同规模、类型和噪声水平的数据集。首先使用刚性的 Robertson ODE 经典玩具问题来展示 Neural ODE 方法的学习能力、效率和鲁棒性。随后分别利用物种的时间剖面和点火延迟时间，对包含 41 个物种、232 个反应的 JP-10 骨架机理和包含 34 个物种、121 个反应的正庚烷骨架机理进行优化。结果表明，所提算法能够以足够的精度和效率优化刚性化学模型。值得注意的是，训练后的机理不仅完美拟合数据，还保留了其物理可解释性，可进一步集成并验证于实际湍流燃烧模拟中。
引用
@article{arxiv.2209.01862,
title = {Kinetics Parameter Optimization via Neural Ordinary Differential Equations},
author = {Xingyu Su and Weiqi Ji and Jian An and Zhuyin Ren and Sili Deng and Chung K. Law},
journal= {arXiv preprint arXiv:2209.01862},
year = {2022}
}
备注
8 pages, 9 figures