用于碳捕集设计优化的潜空间仿真
机器学习
2021-12-23 v1 计算工程、金融与科学
摘要
在基于溶剂的碳捕集系统（CCSs）中，CO2 捕集效率关键取决于气-溶剂界面面积（IA），使得最大化 IA 成为 CCS 设计中的基础性挑战。虽然特定 CCS 设计相关的 IA 可通过计算流体动力学（CFD）仿真估算，但使用 CFD 推导众多 CCS 设计相关的 IA 成本高昂得令人却步。幸运的是，诸如 Deep Fluids（DF）（Kim 等，2019）的先前工作表明，通过用忠实模拟 CFD 仿真过程的神经网络（NN）代理模型替代 CFD 模拟器，可实现大幅仿真加速。这提出了一种快速、准确的 CFD 模拟器替代方案的可能性，从而高效近似 CCS 设计优化所需的 IA。因此，本文在 DF 方法基础上开发可成功应用于我们复杂碳捕集 CFD 仿真的代理模型。我们优化的 DF 风格代理模型产生大幅加速（4000 倍），同时在位于训练配置范围内的未见 CCS 配置上获得低至 4% 的 IA 相对误差。这暗示了 NN 代理模型对我们 CCS 设计优化问题的前景。尽管如此，DF 在 CCS 设计方面存在固有局限（例如，训练模型对新 CCS 填料的可迁移性有限）。我们以应对这些挑战的思路作结。
引用
@article{arxiv.2112.11656,
title = {Latent Space Simulation for Carbon Capture Design Optimization},
author = {Brian Bartoldson and Rui Wang and Yucheng Fu and David Widemann and Sam Nguyen and Jie Bao and Zhijie Xu and Brenda Ng},
journal= {arXiv preprint arXiv:2112.11656},
year = {2021}
}
备注
Extended version of a paper appearing in the Proceedings of the 34th Annual Conference on Innovative Applications of Artificial Intelligence (IAAI-22)