量化骨架学习(QSL):一种基于可微程序设计的化学机理骨架化降维方法

《Fuel》:Quantized Skeletal Learning (QSL): A differentiable programming approach for skeletal reduction of chemical mechanisms

【字体: 大 中 小 】 时间:2026年01月23日 来源:Fuel 7.5

编辑推荐:

  本研究提出了一种数据驱动方法,称为量化骨架学习(Quantized Skeletal Learning, QSL),用于生成骨架机理。该方法包含两个关键组成部分:(1)一个权重向量,可用于消除相对不重要的物种和反应;(2)一个端到端可微程序,其损失函数相对于权

  
本研究提出了一种数据驱动方法,称为量化骨架学习(Quantized Skeletal Learning, QSL),用于生成骨架机理。该方法包含两个关键组成部分:(1)一个权重向量,可用于消除相对不重要的物种和反应;(2)一个端到端可微程序,其损失函数相对于权重向量的梯度可用于调整这些权重。为促进权重向量的稀疏性,并将某些反应或物种的影响降低至零,研究人员在标准均方误差损失之外采用了L1正则化(1-regularized)目标函数,从而去除最不重要的组分。所提出的QSL方法通过基于GRI 3.0机理和USC II机理分别生成甲烷和乙烯的骨架机理进行了验证,证明了其在推导不同保真度骨架机理方面的有效性。测试了QSL的两种变体,分别命名为QSL-R和QSL-S,前者聚焦于消除反应,后者聚焦于消除物种。对点火延迟时间和物种质量分数的分析表明,QSL能够可靠且高效地从详细机理中提取数据驱动的不同保真度的骨架机理。
本研究聚焦于燃烧数值模拟中化学动力学计算所面临的高昂计算成本问题。计算流体动力学(Computational Fluid Dynamics, CFD)在提升燃烧认知和辅助新型燃烧器设计方面发挥着日益重要的作用,然而计算成本仍是制约其应用的关键瓶颈。化学机理规模差异显著,从氢气-空气机理的约10个反应到复杂碳氢燃料机理中多达约1000个物种和约1000至10000个反应不等,即使对于较小的氢气-空气机理,CFD求解器的大部分计算时间也用于求解化学反应。因此,降低化学复杂度可带来整体运行时间的近乎比例性缩减,开发有效的骨架化降维方法具有重要工程价值。

现有骨架化方法主要包括基于有向关系图的方法、灵敏度分析方法以及优化方法。有向关系图(Directed Relation Graph, DRG)方法通过物种对之间的连接权重图识别并移除非重要物种,此后发展出多种改进变体,如采用最大范数处理同分异构体的DRG方法、多次迭代优化的DRG重启方法、融入输运项影响的通量基DRG方法,以及引入误差阻尼传播的DRGEP方法。基于灵敏度分析的方法则通过计算输出量对小幅度动力学参数变化的响应来评估重要性,常结合主成分分析应用于重要物种最终浓度或净生成速率。优化方法方面,研究人员已开发了基于整数规划和遗传算法的多种方法,如采用维纳滤波系统和混合整数规划最小化保留反应数目的方法,以及运用稀疏学习算法配合?-1正则化消除相对不重要反应的方法。然而,这些优化方法将降维视为静态回归问题,即在特定时间戳使用预先计算的物种浓度或反应速率进行降维,而不积分控制方程或进行时间微分。

针对上述局限,研究人员开发了基于可微程序设计(Differentiable Programming)原理的新型量化骨架学习算法。该算法的核心创新在于:定义作用于反应或物种浓度的权重向量α,通过端到端可微的控制方程积分进行优化;在目标函数中引入正则化项以促进稀疏性,从而实现机理紧凑性与预测精度之间的可控权衡;整个方法基于JAX框架实现,利用自动微分(Automatic Differentiation)高效计算目标函数的精确梯度。与近期将机理降维视为静态回归问题的数据驱动方法(如SPIN方法、Fang等人的稀疏学习框架)不同,QSL显式积分化学系统并通过常微分方程(Ordinary Differential Equation, ODE)求解器进行反向传播,使求解器的每个组成部分——从化学源项求值到数值时间积分——均可微。这种轨迹级(Trajectory-level) formulation能够捕捉系统演化的完整时间历程,考虑积分误差的累积效应,并在整个解轨迹和不同初始条件下强制执行动力学一致性,这些是静态、不可微方法所不具备的能力。

研究首先介绍了化学反应速率的数学表述。考虑包含ns个物种和nr个反应的反应系统,化学反应方程式由反应物与产物的化学计量系数描述,定义化学计量系数矩阵V∈Rns×nr,其分量为νij=νij′?νij″。前向反应速率常数采用阿累尼乌斯(Arrhenius)形式,包含温度依赖的指前因子和活化能项。

在结果与讨论部分,研究人员展示了将QSL算法应用于GRI-Mech 3.0甲烷-空气燃烧机理骨架化降维的结果。为生成训练数据,研究人员使用详细机理在初始温度950至1200 K、当量比0.5至1.5、压力1至30 atm的条件下模拟定压反应器,存储了这些工况下温度和质量分数随时间变化的完整分布。QSL方法的两种变体——QSL-R(聚焦消除反应)和QSL-S(聚焦消除物种)均经过测试验证。

正则化强度的调整可产生不同保真度的骨架机理。研究将QSL拓展至含NOx化学的机理生成,进一步验证了方法的扩展适用性。通过对点火延迟时间(Ignition Delay Time)和物种质量分数分布的分析,证实了QSL能够开发不同保真度的机理,且在关键燃烧特征的预测方面表现出良好的一致性和可靠性。

研究结论部分指出,本研究提出的量化骨架学习(QSL)方法将机理降维表述为一个学习问题,其中结合Sigmoid激活函数的权重向量通过正则化梯度下降算法进行优化。研究人员采用可微程序设计原理,在前向传递中求解机理后,通过所有运算操作进行反向传播。该方法的优势在于:(1)实现了端到端的可微性,捕获系统的完整动力学演化;(2)通过L1正则化促进稀疏性,实现自动化的组分筛选;(3)可同时应用于反应消除和物种消除两种降维策略;(4)产生的骨架机理在较宽的工况范围内保持较好的预测保真度。该方法为燃烧CFD模拟中化学机理的自动化、高效降维提供了新的技术途径,具有重要的工程应用价值。研究得到美国国家科学基金会(NSF-2201297)资助,计算资源由路易斯安那州立大学高性能计算中心和路易斯安那光学网络基础设施提供支持。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号