适应性数据驱动的深度学习替代模型用于Dicyclopentadiene的前端聚合
Qibang Liu1,2, Diab Abueidda3, Sagar Vyas1,2
1Beckman Institute for Advanced Science and Technology, University of Illinois, Urbana-Champaign, Illinois 61801, United States.
本研究介绍了一种适应性深度学习模型,用于二cyclopentadiene (DCPD) 的正面聚合 (FP). 该模型显著加速模拟,使得聚合物制造工艺的分析和优化速度更快.
科学领域:
- 材料科学 材料科学 材料科学
- 化学工程是化学工程的重要组成部分.
- 计算科学 计算科学
背景情况:
- 前端聚合 (FP) 是一种快速,节能的热固聚合物固化方法.
- 像FEM这样的传统模拟技术是计算密集型的,阻碍了过程优化.
- 有效的模拟对于分析灵敏度,不确定性和优化FP制造至关重要.
研究的目的:
- 开发一种适应性的替代深度学习模型,用于二cyclopentadiene (DCPD) 的正面聚合 (FP).
- 与FEM相比,在预测温度和治愈演变方面实现了数量级的加速.
- 提高FP过程建模中的计算效率和准确性.
主要方法:
- 开发了一个适应性深度学习替代模型用于FP模拟.
- 使用自动分化来计算控制方程的剩余误差.
- 采用基于残余误差的概率密度函数,用于高效的训练样本选择.
- 使用2D有限元法 (FEM) 模拟生成的训练数据.
主要成果:
- 适应性代孕模型预测温度和治愈演变的速度比FEM快得多.
- 适应性抽样策略被证明比随机抽样更有效和更准确.
- 该模型在预测能力方面实现了数量级的加速.
- 快速提取了前方速度,形状和温度等关键FP特征.
结论:
- 适应式深度学习模型为FP模拟提供了计算效率高,准确的方法.
- 这种方法加速了热聚合物制造的分析和优化.
- 替代模型能够从预测的领域快速提取关键过程参数.
更多相关视频
06:55Synthesis of Cyclic Polymers and Characterization of Their Diffusive Motion in the Melt State at the Single Molecule Level
Published on: September 26, 2016
09:22Self-assembling Morphologies Obtained from Helical Polycarbodiimide Copolymers and Their Triazole Derivatives
Published on: February 7, 2017
相关概念视频
Olefin Metathesis Polymerization: Acyclic Diene Metathesis (ADMET)
Similar to cross-metathesis, ADMET also involves the formation of metallacyclobutane intermediate by [2+2] cycloaddition of one of the double bonds of a terminal diene with...
[4+2] Cycloaddition of Conjugated Dienes: Diels–Alder Reaction
Cationic Chain-Growth Polymerization: Mechanism
Radical Chain-Growth Polymerization: Chain Branching
Step-Growth Polymerization: Overview
Many natural and synthetic polymers are produced by...
Polymer Classification: Stereospecificity
