面向紧凑动力学模型生成的机器学习技术开发
化学物理
2023-06-21 v1 分布式、并行与集群计算
机器学习
计算物理
机器学习
摘要
化学动力学模型通过与计算流体动力学(CFD)等多维模拟的耦合,是燃烧装置开发与优化的关键组成部分。需要保留良好保真度的低维动力学模型,其生成耗费大量人力成本与专家知识。本文提出一种新颖的自动化计算强化方法,用于生成过度简化且优化(紧凑)的化学动力学模型。该算法称为化学动力学机器学习优化(MLOCK),系统地扰动化学动力学模型的四个子模型中的每一个,以发现哪些项的组合能构成良好模型。首先利用常规机理简化获得由 n 个物种组成的虚拟反应网络。为抵消模型性能所受的强制下降,对该虚拟反应网络中各节点(物种)间重要连接(虚拟反应)的权重(虚拟反应速率常数)进行数值优化,以在四个连续阶段中复现选定的计算。MLOCK 的首个版本(MLOCK1.0)同时扰动重要连接的全部三个虚拟阿伦尼乌斯反应速率常数参数,并通过客观误差函数评估新参数的适用性,这些函数量化每个紧凑模型候选者在对优化目标(可由详细模型计算和/或实验数据构成)进行计算时的误差。以甲烷空气燃烧这一典型案例演示 MLOCK1.0 的建模范式,表明由 2,789 个物种组成的 NUGMECH1.0 详细模型可可靠地压缩至 15 个物种(节点),同时对详细模型计算保持约 87% 的总体保真度,优于先前的最优水平。
引用
@article{arxiv.2202.08021,
title = {Toward Development of Machine Learned Techniques for Production of Compact Kinetic Models},
author = {Mark Kelly and Mark Fortune and Gilles Bourque and Stephen Dooley},
journal= {arXiv preprint arXiv:2202.08021},
year = {2023}
}