論文の概要: Bridging Equilibrium and Kinetics Prediction with a Data-Weighted Neural Network Model of Methane Steam Reforming

• arxiv url: http://arxiv.org/abs/2506.17224v1
• Date: Tue, 15 Apr 2025 14:55:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-07 02:47:44.25399
• Title: Bridging Equilibrium and Kinetics Prediction with a Data-Weighted Neural Network Model of Methane Steam Reforming
• Title（参考訳）: データ重み付きニューラルネットワークモデルによるメタン蒸気改質のブリッジ平衡と速度予測
• Authors: Zofia Pizoń, Shinji Kimijima, Grzegorz Brus,
• Abstract要約: 運動と平衡の両方を統一できる代理モデルを示す。 運動と平衡の実験からの実験データを含む包括的なデータセットに基づいてトレーニングされた人工ニューラルネットワーク。 ネットワークが予測の連続デリバティブを提供する能力は、特にプロセスモデリングと最適化に有用である。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Hydrogen's role is growing as an energy carrier, increasing the need for efficient production, with methane steam reforming being the most widely used technique. This process is crucial for applications like fuel cells, where hydrogen is converted into electricity, pushing for reactor miniaturization and optimized process control through numerical simulations. Existing models typically address either kinetic or equilibrium regimes, limiting their applicability. Here we show a surrogate model capable of unifying both regimes. An artificial neural network trained on a comprehensive dataset that includes experimental data from kinetic and equilibrium experiments, interpolated data, and theoretical data derived from theoretical models for each regime. Data augmentation and assigning appropriate weights to each data type enhanced training. After evaluating Bayesian Optimization and Random Sampling, the optimal model demonstrated high predictive accuracy for the composition of the post-reaction mixture under varying operating parameters, indicated by a mean squared error of 0.000498 and strong Pearson correlation coefficients of 0.927. The network's ability to provide continuous derivatives of its predictions makes it particularly useful for process modeling and optimization. The results confirm the surrogate model's robustness for simulating methane steam reforming in both kinetic and equilibrium regimes, making it a valuable tool for design and process optimization.
• Abstract（参考訳）: 水素の役割はエネルギーキャリアとして成長し、効率のよい製造の必要性が増し、メタン蒸気改質は最も広く使われている技術である。 このプロセスは、水素が電気に変換される燃料電池、原子炉の小型化、数値シミュレーションによるプロセス制御などの用途に欠かせない。 既存のモデルは通常、運動的または平衡的な状態に対処し、適用性を制限する。 ここでは、両方の体制を統一できる代理モデルを示す。 運動と平衡の実験からの実験データ、補間されたデータ、および各状態の理論モデルから導出される理論的データを含む包括的なデータセットに基づいて訓練された人工ニューラルネットワーク。 データの拡張と適切な重み付けを、各データタイプの拡張トレーニングに割り当てる。 ベイズ最適化とランダムサンプリングを評価した結果, 平均2乗誤差0.000498, 強いピアソン相関係数0.927で示される, 反応後の混合成分の組成の予測精度が高いことがわかった。 ネットワークが予測の連続デリバティブを提供する能力は、特にプロセスモデリングと最適化に有用である。 その結果, メタン蒸気改質を熱力学的・平衡的に再現するサロゲートモデルのロバスト性を確認し, 設計・プロセス最適化に有用なツールとなった。

関連論文リスト

• Self-Refining Training for Amortized Density Functional Theory [5.5541132320126945]
  そこで本稿では,自己修復学習戦略を導入することにより,大規模な事前コンパイルデータセットに対するアモータイズDFTソルバの依存性を低減する手法を提案する。 本手法は, 生成試料と基底状態エネルギーで定義される対象ボルツマン分布との差分を測定するKL偏差の変動上界の最小化として導出する。
  論文  参考訳（メタデータ） (2025-06-02T00:32:32Z)
• Generating Synthetic Net Load Data with Physics-informed Diffusion Model [0.8848340429852071]
  条件付き認知ニューラルネットワークは、拡散モデルの遷移核のパラメータを共同で訓練するように設計されている。 総合的な評価指標を用いて、生成された合成ネット負荷データの正確性と多様性を評価する。
  論文  参考訳（メタデータ） (2024-06-04T02:50:19Z)
• Towards Theoretical Understandings of Self-Consuming Generative Models [56.84592466204185]
  本稿では,自己消費ループ内で生成モデルを訓練する新たな課題に取り組む。 我々は,このトレーニングが将来のモデルで学習したデータ分布に与える影響を厳格に評価するための理論的枠組みを構築した。 カーネル密度推定の結果は,混合データトレーニングがエラー伝播に与える影響など,微妙な洞察を与える。
  論文  参考訳（メタデータ） (2024-02-19T02:08:09Z)
• A Multi-Grained Symmetric Differential Equation Model for Learning Protein-Ligand Binding Dynamics [73.35846234413611]
  薬物発見において、分子動力学(MD)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-リガンド結合ダイナミクス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。 従来の数値MDシミュレーションと比較して1K$times$ Speedupを実現することにより,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)
• End-to-End Reinforcement Learning of Koopman Models for Economic Nonlinear Model Predictive Control [45.84205238554709]
  本研究では, (e)NMPCの一部として最適性能を示すために, Koopman シュロゲートモデルの強化学習法を提案する。 エンドツーエンドトレーニングモデルは,(e)NMPCにおけるシステム識別を用いてトレーニングしたモデルよりも優れていることを示す。
  論文  参考訳（メタデータ） (2023-08-03T10:21:53Z)
• 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)
• Prediction of liquid fuel properties using machine learning models with Gaussian processes and probabilistic conditional generative learning [56.67751936864119]
  本研究の目的は、代替燃料の物理的特性を予測するためのクロージャ方程式として機能する、安価で計算可能な機械学習モデルを構築することである。 これらのモデルは、MDシミュレーションのデータベースや、データ融合-忠実性アプローチによる実験的な測定を用いて訓練することができる。 その結果,MLモデルでは,広範囲の圧力および温度条件の燃料特性を正確に予測できることがわかった。
  論文  参考訳（メタデータ） (2021-10-18T14:43:50Z)
• Physics-informed CoKriging model of a redox flow battery [68.8204255655161]
  レドックスフロー電池(RFB)は、大量のエネルギーを安価かつ効率的に貯蔵する機能を提供する。 RFBの充電曲線の高速かつ正確なモデルが必要であり、バッテリ容量と性能が向上する可能性がある。 RFBの電荷分配曲線を予測する多相モデルを構築した。
  論文  参考訳（メタデータ） (2021-06-17T00:49:55Z)
• Toward Machine Learned Highly Reduce Kinetic Models For Methane/Air Combustion [0.0]
  運動モデルを用いて、物理実験と比較して運転条件、燃料組成、燃焼器設計の影響をテストする。 対象とする詳細なモデル特性を高い忠実度で再現するコンパクトモデルを作成するための,新しいデータ指向三段階法を提案する。 この戦略はメタン/空気燃焼のための19種と15種のコンパクトモデルによって実証されている。
  論文  参考訳（メタデータ） (2021-03-15T13:29:08Z)

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。