不平衡反应动态的机器学习预测:O + O2状态到状态解离动力学的混合高斯过程回归神经网络框架
Shasha Yun1, Jiawei Yang1, Jun Li1
1School of Chemistry and Chemical Engineering and Chongqing Key Laboratory of Chemical Theory and Mechanism, Chongqing University, Chongqing 401331, People's Republic of China.
一个新的机器学习框架,GPR-NN,准确地预测高温环境的状态对状态 (StS) 反应动力学. 这种方法结合了高斯过程回归 (GPR) 和神经网络 (NN) 来克服超音速飞行模拟中的计算挑战.
科学领域:
- 化学动力学 化学动力学
- 计算化学的计算化学
- 航空航天工程 航空航天工程
背景情况:
- 高温不平衡动力学对于超音速飞行和进入大气层至关重要.
- 准确的状态对状态 (StS) 反应动态数据对于模拟是必不可少的,但很难获得.
- 传统方法在平衡 StS 积分横截面 (ICS) 和速率系数的准确性和效率方面存在局限性.
研究的目的:
- 开发一种新的,高效和准确的计算框架,用于预测StS反应动态数据.
- 解决在高温环境中计算复杂的能量转移过程的挑战.
- 提高空气动力学模拟和反应数据库的准确性.
主要方法:
- 提出了一个混合机器学习 (ML) 框架,GPR-NN,集成高斯过程回归 (GPR) 和神经网络 (NN).
- 在21A'的潜在能量表面上利用准经典轨迹 (QCT) 计算进行初始数据生成.
- 采用不确定性引导抽样 (GPR) 和大规模预测 (NNs) 具有非冗余输入特征.
主要成果:
- GPR-NN框架实现了O + O2解离反应的高精度,未见数据的根平均平方误差为0.1728 Å2.
- 证明了良好的相关性 (R2 = 0.9995) 并显著减少预测时间到0.03秒.
- 分离速率系数的模型预测与在热平衡条件下的实验数据很好地一致.
- 与实证模型相比,效率函数在量化振动不平衡效应方面表现出更高的准确性.
结论:
- GPR-NN框架为ML应用在高温不平衡动力学中提供了一个可扩展和高效的策略.
- 这种混合的ML方法克服了单个ML方法的局限性,通过结合不确定性量化和强烈的概括.
- 该研究为构建更准确的反应数据库和增强高保真空气动力学模拟提供了一条途径.
更多相关视频
06:50O-cresol Concentration Online Measurement Based On Near Infrared Spectroscopy Via Partial Least Square Regression
Published on: November 8, 2019
08:28Creating Rapid Oxygen Oscillations in Microbial Single-cell Growth Analysis using a Microfluidic Double-layer Device
Published on: July 18, 2025
相关概念视频
Predicting Reaction Outcomes
Multi-Step Reactions
Coupled Reactions
Energy in adenosine triphosphate or ATP molecules is easily accessible to do work. ATP powers the majority of energy-requiring cellular reactions....
Homogeneous Equilibria for Gaseous Reactions
For gas-phase reactions, the equilibrium constant may be expressed in terms of either the molar concentrations (Kc) or partial pressures (Kp) of the reactants and products. A relation between these two K values may be simply derived from the ideal gas equation and the definition of molarity. According to the ideal gas equation:
Dynamic Equilibrium
Reaction Mechanisms
For instance, the decomposition of ozone appears to follow a mechanism with two steps:
