文档名：基于物理信息神经网络的生物质气化产物分布预测方法
摘要：机器学习方法已经在生物质气化建模中展现出广阔的应用前景.然而,机器学习模型主要依赖于实验数据,并不考虑气化中的反应机理,在数据样本不充分的情况下模型所表现出的实际关联特性与机理规律之间存在严重偏差.为此,提出一种基于物理信息神经网络(PINN)的生物质气化产物分布预测方法,该方法将真实实验数据与先验机理进行无缝衔接,在人工神经网络(ANN)模型中嵌入边界约束和关键参数间的单调性关系,通过自动微分技术进行辅助优化,实现模型的高效训练.结果表明:PINN模型的决定系数大于0.89,均方根误差小于4％,其总体预测精度要优于随机森林(RF)、支持向量机(SVM)和ANN3种纯拟合机器学习模型;PINN模型能够严格服从边界约束和先验机理单调性关系,表现出更好的可解释性和泛化能力.
Abstract：Machinelearningmethodshavedemonstratedpromisingapplicationsinbiomassgasificationmod-eling.However,machinelearningmodelsprimarilyrelyonexperimentaldataanddonotconsiderthereac-tionmechanismsingasification.Insituationsthatdatasamplesareinsufficient,therecanbesignificantde-viationsbetweentheactualcorrelationcharacteristicsexhibitedbythemodelandthemechanisticlaws.Thusamethodforpredictingbiomassgasificationproductdistributionbasedonphysics-informedneuralnetworks(PINN)wasproposed.Thismethodseamlesslyintegratedrealexperimentaldatawithpriormechanisticknowledge,embeddingboundaryconstraintsandmonotonicrelationshipsamongkeyparame-tersintotheartificialneuralnetwork(ANN)model.Automaticdifferentiationtechniqueswereusedtoas-sistoptimization,enablingefficientmodeltraining.ResultsshowthatthePINNmodelachievesacoeffi-cientofdeterminationgreaterthan0.89andarootmeansquareerrorlessthan4％,theoverallpredictionaccuracyissuperiorcomparedtothethreemodelswhicharepurelyfittingbasedonmachinelearning:ran-domforest(RF),supportvectormachine(SVM)andANN.Furthermore,thePINNmodelstrictlyad-herestoboundaryconstraintsandpriormechanisticmonotonicrelationship,exhibitingbetterinterpret-abilityandgeneralizationcapabilities.
作者：邓志平 任少君 翁琪航 朱保宇 司风琪Author：DENGZhiping RENShaojun WENGQihang ZHUBaoyu SIFengqi
作者单位：东南大学能源热转换及过程测控教育部重点实验室,南京211189
刊名：动力工程学报 ISTICPKU
Journal：JournalOfChineseSocietyOfPowerEngineering
年，卷(期)：2024, 44(5)
分类号：TK6
关键词：生物质气化 机器学习模型 物理信息神经网络 机理约束
Keywords：biomassgasification machinelearningmodel physics-informedneuralnetwork mechanisticconstraint
机标分类号：TP181TP391.41TM711
在线出版日期：2024年6月7日
基金项目：国家自然科学基金基于物理信息神经网络的生物质气化产物分布预测方法[
期刊论文] 动力工程学报--2024, 44(5)邓志平 任少君 翁琪航 朱保宇 司风琪机器学习方法已经在生物质气化建模中展现出广阔的应用前景.然而,机器学习模型主要依赖于实验数据,并不考虑气化中的反应机理,在数据样本不充分的情况下模型所表现出的实际关联特性与机理规律之间存在严重偏差.为此,提出...参考文献和引证文献
参考文献
引证文献
本文读者也读过
相似文献
相关博文
基于物理信息神经网络的生物质气化产物分布预测方法 Prediction Method for Biomass Gasification Product Distribution Based on Physics-informed Neural Network
基于物理信息神经网络的生物质气化产物分布预测方法.pdf
- 文件大小:
- 2.2 MB
- 下载次数:
- 60
-
高速下载
|
|
