論文の概要: Accurate and Fast Fischer-Tropsch Reaction Microkinetics using PINNs
- arxiv url: http://arxiv.org/abs/2311.10456v1
- Date: Fri, 17 Nov 2023 11:21:09 GMT
- ステータス: 処理完了
- システム内更新日: 2023-11-20 14:54:47.843716
- Title: Accurate and Fast Fischer-Tropsch Reaction Microkinetics using PINNs
- Title(参考訳): ピンを用いた精密・高速フィッシャー・トロプシュ反応マイクロキネティクス
- Authors: Harshil Patel, Aniruddha Panda, Tymofii Nikolaienko, Stanislav Jaso,
Alejandro Lopez, Kaushic Kalyanaraman
- Abstract要約: Fischer-Tropsch合成(FTS)のマイクロ力学モデルは、より高度なリアルタイムアプリケーションでは非効率になる。
本稿では,計算効率が高く,高精度な計算手法を提案し,既存のマイクロ運動学モデルの超高速解法を実現する。
提案したPINNモデルでは, FTSマイクロキネティクスにおいて, 平均相対誤差(MRE)0.03%, FTS生成速度(MRE0.1%)を計算した。
- 参考スコア(独自算出の注目度): 38.08566680893281
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Microkinetics allows detailed modelling of chemical transformations occurring
in many industrially relevant reactions. Traditional way of solving the
microkinetics model for Fischer-Tropsch synthesis (FTS) becomes inefficient
when it comes to more advanced real-time applications. In this work, we address
these challenges by using physics-informed neural networks(PINNs) for modelling
FTS microkinetics. We propose a computationally efficient and accurate method,
enabling the ultra-fast solution of the existing microkinetics models in
realistic process conditions. The proposed PINN model computes the fraction of
vacant catalytic sites, a key quantity in FTS microkinetics, with median
relative error (MRE) of 0.03%, and the FTS product formation rates with MRE of
0.1%. Compared to conventional equation solvers, the model achieves up to 1E+06
times speed-up when running on GPUs, thus being fast enough for multi-scale and
multi-physics reactor modelling and enabling its applications in real-time
process control and optimization.
- Abstract(参考訳): マイクロ運動学は、多くの工業関連反応で起こる化学変換の詳細なモデリングを可能にする。
フィッシャー=トロプシュ合成(FTS)のための従来の力学モデルの解法は、より高度なリアルタイムアプリケーションにおいて非効率となる。
本研究では、物理インフォームドニューラルネットワーク(PINN)を用いて、これらの課題に対処する。
本稿では,実プロセス条件下での既存マイクロ力学モデルの超高速解法を実現するための,計算効率が高く正確な方法を提案する。
提案したPINNモデルでは, FTSマイクロキネティクスにおいて, 平均相対誤差(MRE)0.03%, FTS生成速度(MRE0.1%)を計算した。
従来の方程式解法と比較して、GPU上での実行時の最大1E+06倍のスピードアップを実現し、マルチスケールおよびマルチ物理反応器のモデリングに十分高速であり、リアルタイムプロセス制御および最適化におけるその適用を可能にする。
関連論文リスト
- A Microstructure-based Graph Neural Network for Accelerating Multiscale
Simulations [0.0]
本稿では,この問題のマルチスケール性を維持するための代替的な代理モデル戦略を提案する。
我々は, 顕微鏡材料モデルを維持しながら, グラフニューラルネットワーク(GNN)を用いて, フルフィールドの顕微鏡歪みを予測した。
本研究では,サロゲートが複雑なマクロな応力-ひずみ経路を予測可能であることを示す。
論文 参考訳(メタデータ) (2024-02-20T15:54:24Z) - A Multi-Grained Symmetric Differential Equation Model for Learning
Protein-Ligand Binding Dynamics [74.93549765488103]
薬物発見において、分子動力学シミュレーションは、結合親和性を予測し、輸送特性を推定し、ポケットサイトを探索する強力なツールを提供する。
我々は,数値MDを容易にし,タンパク質-リガンド結合の正確なシミュレーションを提供する,最初の機械学習サロゲートであるNeuralMDを提案する。
我々は、標準的な数値MDシミュレーションよりも2000$times$のスピードアップを達成し、安定性の指標の下では、他のMLアプローチよりも最大80%高い効率で、NeuralMDの有効性と有効性を示す。
論文 参考訳(メタデータ) (2024-01-26T09:35:17Z) - Machine learning of hidden variables in multiscale fluid simulation [77.34726150561087]
流体力学方程式を解くには、しばしばミクロ物理学の欠如を考慮に入れた閉包関係を用いる必要がある。
本研究では, 終端微分可能な偏微分方程式シミュレータを用いて, 偏微分ニューラルネットワークを訓練する。
本手法により, 非線形, 大型クヌーズン数プラズマ物理を再現する方程式に基づく手法が可能であることを示す。
論文 参考訳(メタデータ) (2023-06-19T06:02:53Z) - A micromechanics-based recurrent neural networks model for
path-dependent cyclic deformation of short fiber composites [0.0]
本研究では, 短繊維強化複合材料の経路依存性弾塑性応力応答を予測するために, 繰り返し深部ニューラルネットワークモデルを訓練する。
このモデルは、独立したマイクロメカニカルシミュレーションと比較した場合、計算的に非常に正確な予測を与える。
論文 参考訳(メタデータ) (2022-09-27T12:14:15Z) - NeuralNEB -- Neural Networks can find Reaction Paths Fast [7.7365628406567675]
密度汎関数理論 (DFT) のような量子力学的手法は、反応系の運動学を研究するための効率的な探索アルゴリズムと共に大きな成功を収めている。
機械学習(ML)モデルは、小さな分子DFT計算の優れたエミュレータであることが判明し、そのようなタスクでDFTを置き換える可能性がある。
本稿では、Transition1xデータセットから約10万の初等反応に基づいて、アート同変グラフニューラルネットワーク(GNN)に基づくモデルの状態を訓練する。
論文 参考訳(メタデータ) (2022-07-20T15:29:45Z) - Accurate Machine Learned Quantum-Mechanical Force Fields for
Biomolecular Simulations [51.68332623405432]
分子動力学(MD)シミュレーションは、化学的および生物学的プロセスに関する原子論的な洞察を可能にする。
近年,MDシミュレーションの代替手段として機械学習力場(MLFF)が出現している。
本研究は、大規模分子シミュレーションのための正確なMLFFを構築するための一般的なアプローチを提案する。
論文 参考訳(メタデータ) (2022-05-17T13:08:28Z) - Toward Development of Machine Learned Techniques for Production of
Compact Kinetic Models [0.0]
化学動力学モデルは燃焼装置の開発と最適化に欠かせない要素である。
本稿では、過度に再現され、最適化された化学動力学モデルを生成するための、新しい自動計算強化手法を提案する。
論文 参考訳(メタデータ) (2022-02-16T12:31:24Z) - A deep learning-based model reduction (DeePMR) method for simplifying
chemical kinetics [10.438320849775224]
The DeePMR is proposed and validationed using high-teature auto-ignitions, perfect stired reactors (PSR), and one-dimensional free propagating flames of n-heptane/air mixtures。
DeePMRの鍵となる考え方は、最適化問題における目的関数を定式化するためにディープニューラルネットワーク(DNN)を使用することである。
論文 参考訳(メタデータ) (2022-01-06T12:31:32Z) - Simulating the Mott transition on a noisy digital quantum computer via
Cartan-based fast-forwarding circuits [62.73367618671969]
動的平均場理論(DMFT)は、ハバードモデルの局所グリーン関数をアンダーソン不純物のモデルにマッピングする。
不純物モデルを効率的に解くために、量子およびハイブリッド量子古典アルゴリズムが提案されている。
この研究は、ノイズの多いデジタル量子ハードウェアを用いたMott相転移の最初の計算を提示する。
論文 参考訳(メタデータ) (2021-12-10T17:32:15Z) - Fast and differentiable simulation of driven quantum systems [58.720142291102135]
我々は、ダイソン展開に基づく半解析手法を導入し、標準数値法よりもはるかに高速に駆動量子系を時間発展させることができる。
回路QEDアーキテクチャにおけるトランスモン量子ビットを用いた2量子ゲートの最適化結果を示す。
論文 参考訳(メタデータ) (2020-12-16T21:43:38Z)
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。