用于刚性常微分方程并应用于化学反应流的新颖深度神经网络
机器学习
2021-04-06 v1 最优化与控制
摘要
化学反应流在工程中是常见的，例如高超声速流动、燃烧、爆炸、制造过程和环境评估。对于燃烧，反应数量可能很大（超过100个），并且由于化学反应的CPU需求极大（超过99%），大量流动与燃烧问题即便在最强大的超级计算机上也超出其能力范围。受此推动，本文引入新颖的深度神经网络（DNNs）来近似刚性常微分方程。比较了两种方法，即学习这些常微分方程的解或其导数。这些DNNs被应用于化学反应流中常见的多种物质与反应。实验结果表明，在设计DNNs时考虑物质的物理属性是有帮助的。所提方法被证明具有良好的泛化能力。
引用
@article{arxiv.2104.01914,
title = {Novel DNNs for Stiff ODEs with Applications to Chemically Reacting Flows},
author = {Thomas S. Brown and Harbir Antil and Rainald Löhner and Fumiya Togashi and Deepanshu Verma},
journal= {arXiv preprint arXiv:2104.01914},
year = {2021}
}