論文の概要: A Grid-Structured Model of Tubular Reactors

• arxiv url: http://arxiv.org/abs/2112.10765v1
• Date: Mon, 13 Dec 2021 19:54:23 GMT
• ステータス: 処理完了
• システム内更新日: 2021-12-26 13:22:16.485538
• Title: A Grid-Structured Model of Tubular Reactors
• Title（参考訳）: 管状反応器の格子構造モデル
• Authors: Katsiaryna Haitsiukevich, Samuli Bergman, Cesar de Araujo Filho, Francesco Corona, Alexander Ilin
• Abstract要約: 提案モデルは完全に偏微分方程式の既知の形式に基づくものや,多層パーセプトロンなどの汎用機械学習コンポーネントを含むものもある。 本研究では, 固定層反応器の状態を記述するために, 限られた量のデータを用いて, 提案モデルを訓練可能であることを示す。
• 参考スコア（独自算出の注目度）: 61.38002492702646
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: We propose a grid-like computational model of tubular reactors. The architecture is inspired by the computations performed by solvers of partial differential equations which describe the dynamics of the chemical process inside a tubular reactor. The proposed model may be entirely based on the known form of the partial differential equations or it may contain generic machine learning components such as multi-layer perceptrons. We show that the proposed model can be trained using limited amounts of data to describe the state of a fixed-bed catalytic reactor. The trained model can reconstruct unmeasured states such as the catalyst activity using the measurements of inlet concentrations and temperatures along the reactor.
• Abstract（参考訳）: 管状反応器の格子状計算モデルを提案する。 このアーキテクチャは、管状反応器内の化学過程のダイナミクスを記述する偏微分方程式の解法によって行われる計算に触発されている。 提案モデルは完全に偏微分方程式の既知の形式に基づくものや,多層パーセプトロンなどの汎用機械学習コンポーネントを含むものもある。 本研究では, 固定層反応器の状態を記述するために, 限られた量のデータを用いて, 提案モデルを訓練可能であることを示す。 トレーニングされたモデルでは, 反応器の入口濃度と温度を測定して, 触媒活性などの未測定状態を再構築することができる。

関連論文リスト

• Learning Chemical Reaction Representation with Reactant-Product Alignment [50.28123475356234]
  本稿では,様々な有機反応関連タスクに適した新しい化学反応表現学習モデルであるモデルネームを紹介する。 反応物質と生成物との原子対応を統合することにより、反応中に生じる分子変換を識別し、反応機構の理解を深める。 反応条件を化学反応表現に組み込むアダプタ構造を設計し、様々な反応条件を処理し、様々なデータセットや下流タスク、例えば反応性能予測に適応できるようにした。
  論文  参考訳（メタデータ） (2024-11-26T17:41:44Z)
• Towards Foundation Model for Chemical Reactor Modeling: Meta-Learning with Physics-Informed Adaptation [14.835081385422653]
  本稿では, 化学反応器モデリングにおける基礎モデルの新たな応用について述べる。 我々のモデルは3つの古典的な原子炉タイプにまたがって一般化するように設計されている。 これは、異なる反応器のセットアップにまたがる様々な整数の順序で、目に見えない反応に迅速に適応することを示している。
  論文  参考訳（メタデータ） (2024-05-20T03:26:58Z)
• Reaction coordinate flows for model reduction of molecular kinetics [2.6088247674246303]
  本稿では,分子系の低次元動力学モデルの発見を目的として,反応座標(RC)フローと呼ばれるフローベース機械学習手法を提案する。 この研究で研究されたブラウン力学に基づく還元速度論的モデルにより、分子系の相空間における準安定状態の容易に識別できる表現が得られる。
  論文  参考訳（メタデータ） (2023-09-11T23:59:18Z)
• Probing reaction channels via reinforcement learning [4.523974776690403]
  化学反応経路に沿って反応と生成物を結合する重要な構成を同定するための強化学習に基づく手法を提案する。 これらの構成から複数の軌道を撮影することで、遷移経路のアンサンブルに集中する構成のアンサンブルを生成することができる。 結果として得られる解は、コミッタ関数 (committor function) と呼ばれ、反応の力学情報を符号化し、反応速度を評価するのに使うことができる。
  論文  参考訳（メタデータ） (2023-05-27T17:22:32Z)
• Differentiable Programming of Chemical Reaction Networks [63.948465205530916]
  化学反応ネットワークは、自然によって使用される最も基本的な計算基板の1つである。 膜によって分離された複数のチャンバーを持つシステムと同様に、よく混合されたシングルチャンバーシステムについて検討した。 我々は、微分可能な最適化と適切な正規化が相まって、非自明なスパース反応ネットワークを発見することを実証した。
  論文  参考訳（メタデータ） (2023-02-06T11:41:14Z)
• Solving the nuclear pairing model with neural network quantum states [58.720142291102135]
  本稿では,職業数形式論における核多体問題の解法としてモンテカルロ法を提案する。 リコンフィグレーションアルゴリズムのメモリ効率向上版を開発し,ハミルトニアンの期待値を最小限に抑えてネットワークをトレーニングする。
  論文  参考訳（メタデータ） (2022-11-09T00:18:01Z)
• Local manifold learning and its link to domain-based physics knowledge [53.15471241298841]
  多くの反応系では、熱化学状態空間は低次元多様体(LDM)に近く進化すると仮定される。 局所的データクラスタ(ローカルPCA)に適用されたPCAは,熱化学状態空間の固有パラメータ化を検出することができることを示す。
  論文  参考訳（メタデータ） (2022-07-01T09:06:25Z)
• Spectral density reconstruction with Chebyshev polynomials [77.34726150561087]
  厳密な誤差推定で有限エネルギー分解能の制御可能な再構成を行う方法を示す。 これは、核と凝縮物質物理学における将来の応用の道を開くものである。
  論文  参考訳（メタデータ） (2021-10-05T15:16:13Z)
• Heat flow reversal in a trapped-ion simulator [0.0]
  我々は、量子熱力学過程に関連する再構成可能なスピンスピンハミルトニアンをシミュレートする、閉じ込められたイオンプラットフォームを提案する。 振動基底状態多様体への射影は完全な解析処理を可能にすることを示す。
  論文  参考訳（メタデータ） (2020-02-26T02:10:31Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。