使用循环神经网络进行液体-液体分散性能预测和不确定性量化.

科学领域:

• 化学工程是化学工程的重要组成部分.
• 计算科学 计算科学
• 人工智能的人工智能

背景情况:

• 复杂的多相系统,如和静态混合器,需要准确的性能预测.
• 传统方法可能会与混合器性能数据的多变量和多步时间序列性质作斗争.
• 计算流体动力学 (CFD) 模拟提供高可靠性数据,但可能是计算密集的.

研究的目的:

• 应用循环神经网络 (RNN) 进行多步和多变量时间序列的混合器性能预测.
• 为了比较不同RNN架构 (完全连接与编码器解码器) 的有效性,以捕获复杂的系统动态.
• 开发一种通用的工作流程,用于将RNN应用于工业时间序列数据.

主要方法:

• 在3D CFD模拟数据上培训RNN,包括具有长期短期记忆 (LSTM) 和封闭循环单元 (GRU) 细胞的RNN.
• 利用滴量大小分布和界面面积的数据作为物理化学性质,混合器几何和操作条件的函数.
• 实施数据预处理,模型探索,性能可视化和基于集成的不确定性量化程序.

主要成果:

• 可以在CFD数据上训练RNN,以预测混合器性能指标.
• 与更简单的RNN相比,编码解码RNN架构显示出更优越的学习长期动态的能力.
• 开发的工作流提供了一种可靠的不确定性测量方法,并且可以适应其他工业应用.

结论:

• RNN是预测复杂的多相系统 (如混合机) 性能的有效工具.
• 选择RNN架构显著影响模型捕捉底层系统动态的能力.
• 介绍的通用工作流有助于在各种工业环境中应用机器学习进行时间序列分析.