用于化学表化的物理信息机器学习
机器学习
2022-11-14 v1 计算工程、金融与科学
化学物理
机器学习
摘要
湍流燃烧系统的建模需要对底层化学与湍流流动进行建模。同时求解这两个系统在计算上难以承受。相反，鉴于两个子系统演化的尺度差异，通常将两者分开（重新）求解。诸如火焰生成流形（FGM）等流行方法采用两步策略：先预计算控制反应动力学并将其映射至由少数反应进度变量表征的低维流形（模型降阶），随后在运行时通过该流形“查表”由流动系统估计高维系统状态。尽管现有工作独立关注这两步，本文中我们展示联合学习进度变量与查表模型可得到更精确的结果。我们基于 ChemTab 的基础公式与实现，纳入动态生成的化学热态变量（低维动态源项）。我们讨论了该深度神经网络架构实现中的挑战，并通过实验证明了其优越性能。
引用
@article{arxiv.2211.03022,
title = {Physics Informed Machine Learning for Chemistry Tabulation},
author = {Amol Salunkhe and Dwyer Deighan and Paul Desjardin and Varun Chandola},
journal= {arXiv preprint arXiv:2211.03022},
year = {2022}
}
备注
arXiv admin note: substantial text overlap with arXiv:2202.09855