利用主成分分析和神经网络对MTS热解及SiC沉积动力学进行建模

《Journal of the American Ceramic Society》：Modeling MTS pyrolysis and SiC deposition kinetics using principal component analysis and neural networks

硅 carbide沉积工艺中，通过主成分分析（PCA）提取线性传输变量，结合自编码器（AE）神经网络重构全化学状态，构建混合降阶模型。该模型在宽温压条件及不同驻留时间下验证，仅需5个传输标量即可实现与详细机理相比8倍的降本，误差集中在训练域边界和长时间反应区域。

　　

摘要

精确的化学动力学建模对于提高化学加工效率和陶瓷基复合材料的合成效果至关重要。由于涉及的化学物种数量众多，详细的动力学模型在计算上成本较高；而基于简化物理原理的模型（如单步全局机制）虽然计算效率高，但往往忽略了关键的化学中间体和反应路径。最近的深度学习方法有望提供准确且成本效益高的模型。然而，这些方法需要对传输的非线性潜变量进行额外的处理，从而增加了与现有求解器整合的复杂性。在这项工作中，我们结合主成分分析（PCA）和自动编码器（AE）神经网络（NN）技术，开发了一种用于从三氯甲硅烷前驱体沉积碳化硅的混合线性-非线性简化模型。PCA用于识别一组较少的线性传输变量，从而可以直接使用传统的传输求解器。然后，NN利用这些简化变量重建完整的化学状态。我们在一个化学气相沉积反应器上验证了该方法——该反应器包括一个气相热解塞流反应器和一个异质表面反应器——在广泛的温度、压力和停留时间范围内进行了测试。我们的PCA-AE模型仅使用五个传输参数即可实现高精度，与详细模型相比成本降低了八倍，无论是在先验分析（仅使用测试集数据）还是后验分析（结合微分方程求解器）的情况下都是如此。显著的误差主要出现在训练域边界附近以及长时间停留的情况下，这表明在未来的简化化学模型开发中需要引入域偏移指示器和改进长期预测能力。