实时模型对利格宁属性的预测控制,使用带有人工神经网络的加速kMC框架
Juhyeon Kim1,2, Jiae Ryu3, Qiang Yang4
1Artie McFerrin Department of Chemical Engineering, Texas A&M University, College Station, Texas 77845, United States.
Industrial & engineering chemistry research
|December 9, 2024
概括
这项研究引入了一种人工智能驱动的模型,以加快素处理模拟. 通过将机器学习与动力蒙特卡洛方法集成,它可以实时控制复杂的素属性.
科学领域:
- 生物质转换生物质转换
- 化学工程是化学工程的重要组成部分.
- 计算化学计算化学
背景情况:
- 利格宁的复杂结构阻碍了对反应动力学和性能优化的理解.
- 诸如多尺度动力蒙特卡洛 (kMC) 等数学模型分析了素的特性,但面临着计算瓶.
- 巨量的素聚合物使得速率计算成为kMC的瓶,限制了实时应用.
研究的目的:
- 开发一种计算效率高的方法来模拟素的特性.
- 为了实时控制复杂的素特性.
- 为了加快优化红素加工的速度.
主要方法:
- 将机器学习 (ML),特别是人工神经网络 (ANN) 整合到kMC框架中.
- 开发一个ANN加速多尺度kMC (AA-M-kMC) 模型来预测反应概率分布.
- 将AA-M-kMC模型纳入模型预测控制器 (MPC) 进行实时控制.
主要成果:
- 与传统的kMC相比,ANN加速的kMC模型显著降低了计算负担.
- 开发的AA-M-kMC模型成功地预测了概率分布,绕过了耗时的利率计算.
- 集成的MPC系统证明了对复杂的素属性的有效实时控制.
结论:
- 通过克服计算局限性,AA-M-kMC方法为素加工提供了显著的进步.
- 这种混合建模策略增强了kMC用于实时优化和控制素的适用性.
- 这项研究为在各种工业应用中更高效,更精确地利用红素铺平了道路.
