关于复杂动力系统的稀疏辨识：化学反应网络中关键反应发现研究
化学物理
2020-11-03 v1 最优化与控制
摘要
现实中的大量复杂网络因规模过于庞大而难以建模、分析与控制。理解此类网络的结构与动力学，需要构建一个保留其相关拓扑与动力学特性的较小代表性网络。尽管现代机器学习方法已能辨识复杂动力系统的控制规律，但其无法产生具有充分物理解释性的白盒模型，使领域专家不愿采用。本文提出一种黑盒-白盒混合方法，用于复杂、高度耦合动力系统控制规律的稀疏辨识，特别侧重于利用数据驱动的稀疏学习技术，发现燃烧应用中化学反应网络的关键反应。所提方法仅需物种浓度与反应速率，即以最小计算代价辨识出一组关键反应，无需额外数据或模拟。该方法被应用于分析恒容均相反应器中 H2 与 C3H8 的燃烧化学。稀疏学习方法确定的关键反应与现有化学机理动力学知识一致。此外，我们表明，父机理的简化版本可生成为在不同时间与条件下辨识出的显著减少的关键反应的组合；对于 H2 与 C3H8 燃料，简化机理在宽条件范围内的点火延迟时间表现均接近父机理。结果表明，稀疏学习方法有望成为动力系统分析与简化的高效工具。该方法应用于燃烧系统的独特之处在于，能够在燃烧过程演化的特定条件与时刻辨识关键反应，这一能力对理解化学反应系统极具价值。
引用
@article{arxiv.2011.00053,
title = {On sparse identification of complex dynamical systems: A study on discovering influential reactions in chemical reaction networks},
author = {Farshad Harirchi and Doohyun Kim and Omar Khalil and Sijia Liu and Paolo Elvati and Mayank Baranwal and Alfred Hero and Angela Violi},
journal= {arXiv preprint arXiv:2011.00053},
year = {2020}
}