亲爱的研友该休息了!由于当前在线用户较少,发布求助请尽量完整的填写文献信息,科研通机器人24小时在线,伴您度过漫漫科研夜!身体可是革命的本钱,早点休息,好梦!

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
狂野傲南发布了新的文献求助10
1秒前
2秒前
田柾国发布了新的文献求助10
7秒前
大个应助狂野傲南采纳,获得10
11秒前
jiangchuansm完成签到,获得积分10
22秒前
24秒前
舒心盼旋发布了新的文献求助10
30秒前
CipherSage应助科研通管家采纳,获得10
39秒前
852应助科研通管家采纳,获得10
39秒前
40秒前
丁宇卓完成签到 ,获得积分10
40秒前
Jarvis发布了新的文献求助10
45秒前
47秒前
叁壶薏苡发布了新的文献求助10
51秒前
joe完成签到 ,获得积分0
52秒前
Jarvis完成签到,获得积分10
52秒前
自由的梦露完成签到 ,获得积分10
1分钟前
彭于晏应助田柾国采纳,获得10
1分钟前
1分钟前
wuta完成签到,获得积分20
1分钟前
zhangqin发布了新的文献求助10
1分钟前
帅气的鹏飞完成签到 ,获得积分10
1分钟前
1分钟前
1分钟前
蔡翌文完成签到 ,获得积分10
1分钟前
田柾国发布了新的文献求助10
1分钟前
wuta发布了新的文献求助10
1分钟前
十四吉完成签到 ,获得积分20
2分钟前
科研通AI2S应助VDC采纳,获得10
2分钟前
自然的含烟完成签到,获得积分10
2分钟前
2分钟前
Swear完成签到 ,获得积分10
2分钟前
2分钟前
11111发布了新的文献求助10
2分钟前
昭荃完成签到 ,获得积分10
2分钟前
Zoe完成签到 ,获得积分10
2分钟前
2分钟前
Qvby3完成签到 ,获得积分10
2分钟前
张子捷发布了新的文献求助10
2分钟前
2分钟前
高分求助中
Evolution 10000
ISSN 2159-8274 EISSN 2159-8290 1000
Becoming: An Introduction to Jung's Concept of Individuation 600
Ore genesis in the Zambian Copperbelt with particular reference to the northern sector of the Chambishi basin 500
A new species of Coccus (Homoptera: Coccoidea) from Malawi 500
A new species of Velataspis (Hemiptera Coccoidea Diaspididae) from tea in Assam 500
PraxisRatgeber: Mantiden: Faszinierende Lauerjäger 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 3162300
求助须知:如何正确求助?哪些是违规求助? 2813299
关于积分的说明 7899622
捐赠科研通 2472677
什么是DOI,文献DOI怎么找? 1316491
科研通“疑难数据库(出版商)”最低求助积分说明 631365
版权声明 602142