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
- Physics-informed neural networks need a physicist to be accurate: the case of mass and heat transport in Fischer-Tropsch catalyst particles [0.3926357402982764]
物理インフォームドニューラルネットワーク(PINN)は、機械学習の迅速かつ自動化された能力と、理論物理学に根ざしたシミュレーションの精度と信頼性を融合して、影響力のある技術として登場した。
しかし、PINNの広範な採用は信頼性の問題、特に入力パラメータ範囲の極端ではまだ妨げられている。
ドメイン知識に基づくPINNアーキテクチャの変更を提案する。
論文 参考訳（メタデータ） (2024-11-15T08:55:31Z) - Multi-Parameter Molecular MRI Quantification using Physics-Informed Self-Supervised Learning [0.0]
生体物理モデルフィッティングは、生理的信号や画像から定量的パラメータを得る上で重要な役割を果たしている。
本稿では,常微分方程式(ODE)モデルを用いてパラメータ抽出逆問題の解法を提案する。
これは、数値ODEソルバをステップワイズ解析として機能させ、自動微分に基づく最適化と互換性を持たせることで実現される。
論文 参考訳（メタデータ） (2024-11-10T12:40:33Z) - 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) - 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) - 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) - 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) - Simultaneous boundary shape estimation and velocity field de-noising in
Magnetic Resonance Velocimetry using Physics-informed Neural Networks [70.7321040534471]
MRV(MR resonance velocimetry)は、流体の速度場を測定するために医療や工学で広く用いられている非侵襲的な技術である。
これまでの研究では、境界(例えば血管)の形状が先駆体として知られていた。
我々は、ノイズの多いMRVデータのみを用いて、最も可能性の高い境界形状と減音速度場を推定する物理インフォームニューラルネットワークを提案する。
論文 参考訳（メタデータ） (2021-07-16T12:56:09Z) - 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。