Разработка операционной FNN модели электрокаталитического реактора CO2

• Какая задача решалась: Моделирование электрокаталитических реакторов восстановления $CO_2$ с использованием моделей на основе первых принципов (first-principles) затруднено из-за высокой сложности механизмов реакций и неизвестных путей переноса электронов. Требовалось создать точную, но вычислительно легкую модель для управления в реальном времени [cite: 5].

• Используемый софт/версия: Aspen Plus Dynamics (упоминается как базис в методологии для аналогичных задач), статистические платформы машинного обучения [cite: 5].

• Методы и подходы: Авторы (JLuo и др., Январь 2022) разработали полносвязную нейронную сеть прямого распространения (FNN) для захвата нелинейных макроскопических взаимосвязей "вход-выход". Обучение проводилось на данных с датчиков реального электрохимического реактора. Ключевая особенность: применение вероятностного статистического метода, который снижает риск переобучения модели (overfitting) на точках с высокой дисперсией. Модель FNN сравнивалась с эмпирической моделью на основе первых принципов (EFP) [cite: 5].

• Валидация и результат: Модель нейронной сети достигла превосходной точности прогнозирования по сравнению с физической моделью EFP. Более того, инсайты, полученные из "черного ящика" нейросети (анализ чувствительности параметров), позволили инженерам предложить специфические модификации к исходной физической EFP-модели реактора, улучшив тем самым понимание фундаментальных химических уравнений. Подход показывает, как ML может не только заменять физические модели, но и помогать в их настройке [cite: 5].

Источник

Источник

Теги

• #NeuralNetworks
• #ReactorModeling
• #Electrocatalysis
• #FirstPrinciples