平均误差降低25%！天大团队用机器学习优化氢燃烧机制｜FCSE

本文来自“化学工程前沿FCSE”，文章仅代表作者观点，与“环球科学科研圈”无关。

阅读原文请点击“Optimization of kinetic mechanism for hydrogen combustion based on machine learning”。

文章总览

基于极小化反应网络方法的简化机理可以有效地解决湍流内燃机数值计算中的刚性问题。对简化机理动力学参数的优化是再现实验数据的关键。在本工作中，基于径向基函数插值法构建了一个机器学习模型，以点火延迟时间和层流火焰速度实验数据为优化目标，对H₂燃烧机理的指前因子和活化能进行优化。与初始机理相比，优化后的机理性能得到了显著提高。点火延迟时间和层流火焰速度的误差分别减小了24.3%和26.8%，总平均误差减小了25%。利用优化后的机理对点火延迟时间、层流火焰速度和射流搅拌反应器的物质浓度进行了预测，预测结果与实验结果吻合较好。此外，通过灵敏度分析研究了不同工况下燃烧机理关键反应的差异。因此，机器学习模型是在宽工况范围下优化各种燃烧机理的工具，具有广阔的应用前景。

引用格式：Shuangshuang Cao, Houjun Zhang, Haoyang Liu, Zhiyuan Lyu, Xiangyuan Li, Bin Zhang, You Han. Optimization of kinetic mechanism for hydrogen combustion based on machine learning. Front. Chem. Sci. Eng., 2024, 18(11): 136 https://doi.org/10.1007/s11705-024-2487-0

作者及团队介绍

韩优（通讯作者），天津大学英才教授、化工学院副院长，国家级青年人才，担任英国皇家化学会Energy Advances期刊副主编、FCSE期刊编委、中国化工学会过程模拟与仿真专委会委员、中国化学会理论化学专委会委员、四川大学客座教授等。主持国家自然科学基金委联合重点基金、国家重点研发计划课题等国家级项目10余项；以第一/通讯作者在PNAS、JACS、Angew. Chem. Int. Ed.、Phys. Rev. Lett.、ACS Catal.等期刊上发表SCI论文80余篇；获中国发明专利授权20余件。指导学生获得中国国际大学生创新大赛（2023）金奖，并获国际杰出青年化学工程师奖、全国石油和化工教育教学名师等荣誉。

《前沿》系列英文学术期刊

由教育部主管、高等教育出版社主办的《前沿》（Frontiers）系列英文学术期刊，于 2006 年正式创刊，以网络版和印刷版向全球发行。系列期刊包括基础科学、生命科学、工程技术和人文社会科学四个主题，是我国覆盖学科最广泛的英文学术期刊群，其中 12 种被 SCI 收录，其他也被 A&HCI、Ei、MEDLINE 或相应学科国际权威检索系统收录，具有一定的国际学术影响力。系列期刊采用在线优先出版方式，保证文章以最快速度发表。

中国学术前沿期刊网

http://journal.hep.com.cn

点击“阅读原文”，查看全文