Multiscale Physics-Informed Neural Networks for Stiff Chemical Kinetics

颂歌 人工神经网络 常微分方程 刚性方程 残余物 计算机科学 应用数学 算法 动能 数学优化 数学 微分方程 人工智能 数学分析 物理 经典力学
作者
Yu‐Ting Weng,Dezhi Zhou
出处
期刊:Journal of Physical Chemistry A [American Chemical Society]
卷期号:126 (45): 8534-8543 被引量:15
标识
DOI:10.1021/acs.jpca.2c06513
摘要

In this paper, a multiscale physics-informed neural network (MPINN) approach is proposed based on the regular physics-informed neural network (PINN) for solving stiff chemical kinetic problems with governing equations of stiff ordinary differential equations (ODEs). In MPINNs, chemical species with different time scales are grouped and trained by multiple corresponding neural networks with the same structure. The adaptive weight based on a key performance indicator is assigned to each loss term when calculating the summation of loss residues. With this structure, MPINNs provide a framework to solve challenging stiff chemical kinetic problems without any stiffness-removal artifacts before training. In addition, by introducing a small number of ground truth data (GTD) points (less than 10% of the number required for residual loss calculation) and adding data loss terms into loss functions, MPINNs show superior ability to represent stiff ODE solutions at any desired time. The accuracy of MPINNs is tested with classical chemical kinetic problems, by comparing with the regular PINN and other state-of-the-art methods with special consideration for solving stiff chemical kinetic problems with PINNs. The validation results show that MPINNs can effectively avoid the influence of stiffness on neural network optimization. Compared with the traditional deep neural network only trained by GTD, MPINNs can use no data or a relatively small amount of data to achieve high-precision prediction of stiff chemical ODEs. The proposed approach is very promising for solving stiff chemical kinetics, opening up possibilities of MPINN application in different fields involving stiff chemical dynamics.
最长约 10秒,即可获得该文献文件

科研通智能强力驱动
Strongly Powered by AbleSci AI
更新
大幅提高文件上传限制,最高150M (2024-4-1)

科研通是完全免费的文献互助平台,具备全网最快的应助速度,最高的求助完成率。 对每一个文献求助,科研通都将尽心尽力,给求助人一个满意的交代。
实时播报
刚刚
llljjj完成签到,获得积分10
1秒前
LiZhenhua完成签到,获得积分10
1秒前
鲳鱼密码完成签到 ,获得积分10
2秒前
猕猴桃完成签到 ,获得积分10
2秒前
3秒前
KWang应助迪琛采纳,获得10
3秒前
静谧_无华完成签到,获得积分10
3秒前
3秒前
Biao完成签到,获得积分10
3秒前
3秒前
华仔应助炙热的夜雪采纳,获得10
4秒前
4秒前
不才发布了新的文献求助10
4秒前
派大星和海绵宝宝完成签到,获得积分10
5秒前
小欢发布了新的文献求助10
5秒前
gggja发布了新的文献求助30
5秒前
tl完成签到,获得积分10
6秒前
wxj发布了新的文献求助10
6秒前
靓丽的碧彤完成签到,获得积分20
6秒前
8秒前
yema完成签到 ,获得积分10
8秒前
菲尔完成签到 ,获得积分10
8秒前
cyf完成签到 ,获得积分10
8秒前
默默雨竹完成签到,获得积分10
8秒前
8秒前
尚可完成签到 ,获得积分10
8秒前
Lucas应助饺子生面包采纳,获得10
9秒前
9秒前
9秒前
Forever完成签到,获得积分10
9秒前
LZJ完成签到 ,获得积分10
10秒前
C2发布了新的文献求助10
10秒前
曲琦饼发布了新的文献求助10
10秒前
英俊的铭应助缓慢的冷亦采纳,获得10
10秒前
10秒前
达达完成签到,获得积分10
11秒前
安安放完成签到,获得积分10
11秒前
Lty发布了新的文献求助10
11秒前
11秒前
高分求助中
좌파는 어떻게 좌파가 됐나:한국 급진노동운동의 형성과 궤적 2500
Sustainability in Tides Chemistry 1500
TM 5-855-1(Fundamentals of protective design for conventional weapons) 1000
Cognitive linguistics critical concepts in linguistics 800
Threaded Harmony: A Sustainable Approach to Fashion 799
Livre et militantisme : La Cité éditeur 1958-1967 500
氟盐冷却高温堆非能动余热排出性能及安全分析研究 500
热门求助领域 (近24小时)
化学 医学 生物 材料科学 工程类 有机化学 生物化学 物理 内科学 纳米技术 计算机科学 化学工程 复合材料 基因 遗传学 催化作用 物理化学 免疫学 量子力学 细胞生物学
热门帖子
关注 科研通微信公众号,转发送积分 3053097
求助须知:如何正确求助?哪些是违规求助? 2710324
关于积分的说明 7421043
捐赠科研通 2354914
什么是DOI,文献DOI怎么找? 1246494
科研通“疑难数据库(出版商)”最低求助积分说明 606133
版权声明 595975