当前位置：
X-MOL 学术
›
J. Phys. Chem. A
›
论文详情
Our official English website, www.x-mol.net, welcomes your
feedback! (Note: you will need to create a separate account there.)
Stiff-PINN: Physics-Informed Neural Network for Stiff Chemical Kinetics
The Journal of Physical Chemistry A ( IF 2.7 ) Pub Date : 2021-08-31 , DOI: 10.1021/acs.jpca.1c05102 Weiqi Ji 1 , Weilun Qiu 2 , Zhiyu Shi 2 , Shaowu Pan 3 , Sili Deng 1
The Journal of Physical Chemistry A ( IF 2.7 ) Pub Date : 2021-08-31 , DOI: 10.1021/acs.jpca.1c05102 Weiqi Ji 1 , Weilun Qiu 2 , Zhiyu Shi 2 , Shaowu Pan 3 , Sili Deng 1
Affiliation
|
The recently developed physics-informed neural network (PINN) has achieved success in many science and engineering disciplines by encoding physics laws into the loss functions of the neural network such that the network not only conforms to the measurements and initial and boundary conditions but also satisfies the governing equations. This work first investigates the performance of the PINN in solving stiff chemical kinetic problems with governing equations of stiff ordinary differential equations (ODEs). The results elucidate the challenges of utilizing the PINN in stiff ODE systems. Consequently, we employ quasi-steady-state assumption (QSSA) to reduce the stiffness of the ODE systems, and the PINN then can be successfully applied to the converted non-/mild-stiff systems. Therefore, the results suggest that stiffness could be the major reason for the failure of the regular PINN in the studied stiff chemical kinetic systems. The developed stiff-PINN approach that utilizes QSSA to enable the PINN to solve stiff chemical kinetics shall open the possibility of applying the PINN to various reaction-diffusion systems involving stiff dynamics.
中文翻译：
Stiff-PINN：刚性化学动力学的物理信息神经网络
最近开发的物理信息神经网络（PINN）通过将物理定律编码到神经网络的损失函数中，使得网络不仅符合测量和初始和边界条件，而且满足控制方程。这项工作首先研究了 PINN 在用刚性常微分方程 (ODE) 的控制方程求解刚性化学动力学问题方面的性能。结果阐明了在刚性 ODE 系统中使用 PINN 的挑战。因此，我们采用准稳态假设 (QSSA) 来降低 ODE 系统的刚度，然后 PINN 可以成功应用于转换后的非/轻度刚度系统。所以，结果表明，刚度可能是所研究的刚性化学动力学系统中常规 PINN 失效的主要原因。开发的刚性 PINN 方法利用 QSSA 使 PINN 能够解决刚性化学动力学问题，这将开启将 PINN 应用于涉及刚性动力学的各种反应扩散系统的可能性。
更新日期：2021-09-16
中文翻译：
Stiff-PINN：刚性化学动力学的物理信息神经网络
最近开发的物理信息神经网络（PINN）通过将物理定律编码到神经网络的损失函数中，使得网络不仅符合测量和初始和边界条件，而且满足控制方程。这项工作首先研究了 PINN 在用刚性常微分方程 (ODE) 的控制方程求解刚性化学动力学问题方面的性能。结果阐明了在刚性 ODE 系统中使用 PINN 的挑战。因此，我们采用准稳态假设 (QSSA) 来降低 ODE 系统的刚度，然后 PINN 可以成功应用于转换后的非/轻度刚度系统。所以，结果表明，刚度可能是所研究的刚性化学动力学系统中常规 PINN 失效的主要原因。开发的刚性 PINN 方法利用 QSSA 使 PINN 能够解决刚性化学动力学问题，这将开启将 PINN 应用于涉及刚性动力学的各种反应扩散系统的可能性。
京公网安备 11010802027423号