用于预测反应混合进程的物理信息机器学习模型

本文提出一种物理信息机器学习（ML）框架，基于高保真数值模拟构建感兴趣反应输运量（QoIs）的降阶模型（ROMs）。QoIs包括物种衰减、产物产率与混合程度。QoIs的ROMs被用于量化并理解化学物种如何随时间演化。首先，通过采用非负有限元格式求解各向异性反应-扩散方程，针对不同输入参数生成构建ROMs的高分辨率数据集。非负有限元格式确保即便在高各向异性下，物种浓度在粗计算网格上也为非负（计算QoIs所需）。反应混合模型的输入参数包括与速度翻转相关的时间尺度、控制速度小/大涡结构的空间尺度、基于涡的速度扰动参数、各向异性弥散强度/对比度以及分子扩散。其次，使用随机森林、F检验与互信息准则评估模型输入/特征相对于QoIs的重要性。第三，使用支持向量机（SVM）与支持向量回归（SVR）基于模型输入构建ROMs。随后，SVR-ROMs被用于预测QoIs的标度关系。在定性上，SVR-ROMs能够描述与QoIs相关标度律中观察到的趋势。第四，使用$k$-均值聚类评估标度律指数对模型输入/特征的依赖。最后，就计算成本而言，所提出的SVM-ROMs与SVR-ROMs比运行高保真数值模拟评估QoIs快$\mathcal{O}(10^7)$倍。