論文の概要: Learning stiff chemical kinetics using extended deep neural operators
- arxiv url: http://arxiv.org/abs/2302.12645v1
- Date: Thu, 23 Feb 2023 18:57:08 GMT
- ステータス: 処理完了
- システム内更新日: 2023-02-27 13:28:12.378530
- Title: Learning stiff chemical kinetics using extended deep neural operators
- Title（参考訳）: 拡張ディープニューラル演算子を用いた学習剛性化学速度論
- Authors: Somdatta Goswami, Ameya D. Jagtap, Hessam Babaee, Bryan T. Susi, and
George Em Karniadakis
- Abstract要約: 我々は, 強硬な化学動力学を解くために, ニューラル演算子に基づく代理モデルを開発した。
この研究は、強硬な化学動力学を解くために、神経オペレーターに基づく代理モデルを開発することを目的としている。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We utilize neural operators to learn the solution propagator for the
challenging chemical kinetics equation. Specifically, we apply the deep
operator network (DeepONet) along with its extensions, such as the
autoencoder-based DeepONet and the newly proposed Partition-of-Unity (PoU-)
DeepONet to study a range of examples, including the ROBERS problem with three
species, the POLLU problem with 25 species, pure kinetics of the syngas
skeletal model for $CO/H_2$ burning, which contains 11 species and 21 reactions
and finally, a temporally developing planar $CO/H_2$ jet flame (turbulent
flame) using the same syngas mechanism. We have demonstrated the advantages of
the proposed approach through these numerical examples. Specifically, to train
the DeepONet for the syngas model, we solve the skeletal kinetic model for
different initial conditions. In the first case, we parametrize the initial
conditions based on equivalence ratios and initial temperature values. In the
second case, we perform a direct numerical simulation of a two-dimensional
temporally developing $CO/H_2$ jet flame. Then, we initialize the kinetic model
by the thermochemical states visited by a subset of grid points at different
time snapshots. Stiff problems are computationally expensive to solve with
traditional stiff solvers. Thus, this work aims to develop a neural
operator-based surrogate model to solve stiff chemical kinetics. The operator,
once trained offline, can accurately integrate the thermochemical state for
arbitrarily large time advancements, leading to significant computational gains
compared to stiff integration schemes.
- Abstract（参考訳）: ニューラルネットワークを用いて, 挑戦的化学動力学方程式の解プロパゲータを学習する。
Specifically, we apply the deep operator network (DeepONet) along with its extensions, such as the autoencoder-based DeepONet and the newly proposed Partition-of-Unity (PoU-) DeepONet to study a range of examples, including the ROBERS problem with three species, the POLLU problem with 25 species, pure kinetics of the syngas skeletal model for $CO/H_2$ burning, which contains 11 species and 21 reactions and finally, a temporally developing planar $CO/H_2$ jet flame (turbulent flame) using the same syngas mechanism.
これらの数値例を通して提案手法の利点を実証した。
具体的には,合成ガスモデルに対してDeepONetを訓練するために,初期条件の異なる骨格運動モデルを解く。
第1のケースでは、同値比と初期温度値に基づいて初期条件をパラメータ化する。
第2のケースでは、2次元の時間的に発生するCO/H_2$ジェット火炎を直接数値シミュレーションする。
そして,異なる時間スナップショットで格子点のサブセットが訪れた熱化学状態による運動モデルの初期化を行う。
剛性問題は従来の剛性解法で解くのに計算コストがかかる。
そこで本研究では, 強固な化学動力学を解くために, ニューラルネットワークを用いたサーロゲートモデルを開発することを目的とした。
かつてオフラインで訓練されたこの演算子は、任意に大きな時間発展のための熱化学状態を正確に統合することができ、硬い積分スキームに比べて大きな計算ゲインをもたらす。
関連論文リスト
- A Posteriori Evaluation of a Physics-Constrained Neural Ordinary
Differential Equations Approach Coupled with CFD Solver for Modeling Stiff
Chemical Kinetics [4.125745341349071]
我々は,学習中の損失関数に直接物質保存制約を組み込むことで,硬質化学反応学のためのニューラルネットワークフレームワークを拡張した。
これにより、総質量と元素質量が保存されることが保証される。
論文 参考訳（メタデータ） (2023-11-22T22:40:49Z) - Capturing dynamical correlations using implicit neural representations [85.66456606776552]
実験データから未知のパラメータを復元するために、モデルハミルトンのシミュレーションデータを模倣するために訓練されたニューラルネットワークと自動微分を組み合わせた人工知能フレームワークを開発する。
そこで本研究では, 実時間から多次元散乱データに適用可能な微分可能なモデルを1回だけ構築し, 訓練する能力について述べる。
論文 参考訳（メタデータ） (2023-04-08T07:55:36Z) - Ground state preparation with shallow variational warm-start [5.526775342940154]
この研究は、現在のアルゴリズムのボトルネックに取り組むために、浅い変分温開始を伴う量子基底状態の準備スキームを提供する。
本研究では,スピン-1/2$ハイゼンベルクモデル上での広範な数値シミュレーションにより提案手法の有効性を実証する。
本研究では,ハバードモデルの研究を拡張し,有意な変動量子アルゴリズムと比較して優れた性能を示す。
論文 参考訳（メタデータ） (2023-03-20T15:36:23Z) - Physics-based parameterized neural ordinary differential equations:
prediction of laser ignition in a rocket combustor [2.227105438439618]
モデルロケット燃焼器におけるレーザ点火の低次モデリングのための物理に基づくデータ駆動フレームワークを提案する。
深部ニューラルネットワークは、レーザー点火の高次元パラメータの関数として組み込まれ、0次元フローモデルで様々な用語を予測する。
論文 参考訳（メタデータ） (2023-02-16T23:56:51Z) - Neural networks: solving the chemistry of the interstellar medium [0.0]
非平衡化学は、天体物理学シミュレーションに含めるのが最も難しい課題の一つである。
PINNを動力とするシミュレーションは、天体物理学と宇宙論の問題において複雑な化学計算を解くのに便利な方法である。
論文 参考訳（メタデータ） (2022-11-28T19:00:01Z) - Neural Basis Functions for Accelerating Solutions to High Mach Euler
Equations [63.8376359764052]
ニューラルネットワークを用いた偏微分方程式(PDE)の解法を提案する。
ニューラルネットワークの集合を縮小順序 Proper Orthogonal Decomposition (POD) に回帰する。
これらのネットワークは、所定のPDEのパラメータを取り込み、PDEに還元順序近似を計算する分岐ネットワークと組み合わせて使用される。
論文 参考訳（メタデータ） (2022-08-02T18:27:13Z) - Learning to Solve PDE-constrained Inverse Problems with Graph Networks [51.89325993156204]
科学と工学にまたがる多くの応用分野において、偏微分方程式(PDE)によって定義される制約で逆問題を解決することに興味がある。
ここでは、これらのPDE制約された逆問題を解決するために、GNNを探索する。
GNNを用いて計算速度を最大90倍に向上させる。
論文 参考訳（メタデータ） (2022-06-01T18:48:01Z) - Physics Informed RNN-DCT Networks for Time-Dependent Partial
Differential Equations [62.81701992551728]
時間依存偏微分方程式を解くための物理インフォームド・フレームワークを提案する。
我々のモデルは離散コサイン変換を用いて空間的および反復的なニューラルネットワークを符号化する。
ナヴィエ・ストークス方程式に対するテイラー・グリーン渦解の実験結果を示す。
論文 参考訳（メタデータ） (2022-02-24T20:46:52Z) - A deep learning-based ODE solver for chemical kinetics [6.146046338698173]
この研究はDeepCombustion0.0と呼ばれる深層学習に基づく数値計算法を提案し、硬い常微分方程式系を解く。
54種を含むDME/空気混合物の均一な自己着火は、アルゴリズムの有効性と精度を示す例として採用されている。
論文 参考訳（メタデータ） (2020-11-24T02:44:21Z) - Fourier Neural Operator for Parametric Partial Differential Equations [57.90284928158383]
積分カーネルを直接フーリエ空間でパラメータ化することで、新しいニューラル演算子を定式化する。
バーガースの方程式、ダーシー流、ナビエ・ストークス方程式の実験を行う。
従来のPDEソルバに比べて最大3桁高速である。
論文 参考訳（メタデータ） (2020-10-18T00:34:21Z) - Variational Monte Carlo calculations of $\mathbf{A\leq 4}$ nuclei with
an artificial neural-network correlator ansatz [62.997667081978825]
光核の基底状態波動関数をモデル化するためのニューラルネットワーク量子状態アンサッツを導入する。
我々は、Aleq 4$核の結合エネルギーと点核密度を、上位のピオンレス実効場理論から生じるものとして計算する。
論文 参考訳（メタデータ） (2020-07-28T14:52:28Z)
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。