Dinámica de disociación específica del estado en una superficie de energía potencial global de N(4Su) + C2(a3Πu):...

Área de la Ciencia:

• Química Física
• Química computacional
• Ingeniería Aeroespacial

Sus antecedentes:

• Las dinámicas de disociación de N + C2 son cruciales para modelar el calentamiento radiativo hipersónico en los sistemas de protección térmica.
• Los estudios anteriores estaban limitados por limitaciones computacionales, dejando esta área sin explorar.
• Comprender estas dinámicas es vital para el diseño de materiales y sistemas aeroespaciales avanzados.

Objetivo del estudio:

• Investigar sistemáticamente los procesos de disociación inducida por colisión (CID) de N + C2.
• Desarrollar un método computacionalmente eficiente para predecir secciones transversales de disociación y coeficientes de velocidad.
• Crear una base de datos de alta calidad para el modelado de flujos hipersónicos no equilibrados.

Principales métodos:

• Empleó simulaciones de dinámica molecular con 50,000 trayectorias cuasi-clásicas (QCT) en una superficie de energía potencial global de 12A.
• Simulaciones QCT integradas con redes neuronales optimizadas por algoritmos genéticos para predicciones de aprendizaje automático (ML).
• Se han calculado secciones transversales de disociación específicas del estado (CS) y coeficientes de velocidad térmica en un amplio rango de temperaturas (100020000 K).

Principales resultados:

• La excitación vibratoria se identificó como el factor dominante en la dinámica de disociación, reduciendo las barreras de energía.
• El marco ML logró una precisión de predicción del 99% (R2 = 0,99) para los coeficientes de disociación y tasa específicos del estado.
• Los costes computacionales se redujeron en tres órdenes de magnitud en comparación con los cálculos QCT directos.

Conclusiones:

• El enfoque combinado de dinámica molecular y aprendizaje automático genera efectivamente conjuntos de datos completos para la disociación N + C2.
• Este estudio proporciona una base de datos de alta calidad esencial para el modelado preciso de flujos hipersónicos de no equilibrio.
• Destaca los beneficios significativos del aprendizaje automático para acelerar las simulaciones de dinámica molecular reactiva.