| 数据与物理信息混合驱动的固定床吸附穿透深度学习模型 |
| |
| 引用本文： | 吴选军,王超,曹子健,蔡卫权.数据与物理信息混合驱动的固定床吸附穿透深度学习模型[J].化工学报,2023(3):1145-1160. |
| |
| 作者姓名： | 吴选军 王超 曹子健 蔡卫权 |
| |
| 作者单位： | 1. 武汉理工大学化学化工与生命科学学院;2. 广州大学化学化工学院 |
| |
| 基金项目： | 国家自然科学基金项目(21975057)；;广东省自然科学基金项目(2021A1515010233)； |
| |
| 摘 要： | 提出一种基于数据与物理信息混合驱动的固定床吸附穿透深度学习模型(PINN＿MOD)，采用基于残差自适应网格加密策略联合惩罚因子增强外部数据约束方法，通过最小化损失函数逐步调整神经网络参数逼近固定床双组分气体动态吸附过程偏微分方程(PDE)的解。嵌入物理信息神经网络(PINN)模型可以高保真地求解一维单组分对流-扩散模型和一维单组分固定床吸附模型PDE的正向解和逆向解，但在求解长时间尺度一维双组分固定床吸附模型PDE时存在收敛困难。利用传统有限差分方法(FDM)首先计算一维双组分固定床吸附穿透PDE问题，然后将FDM模拟获得的时空区域内组分浓度数据作为外部约束，联合PINN模型一起求解一维双组分固定床吸附穿透PDE。以填充CALF-20和UTSA-16两种MOF材料的固定床吸附CO2/N2(摩尔比30∶70)混合物为例，采用PINN＿MOD模型计算出组分CO2固定床出口穿透曲线，能够较好地复制FDM计算结果，证实了该模型仅依赖于少量外部数据就能有效地获得PDE高保真解。PINN＿MOD模型有望在开发面向气体分离应用的新型金...
|
| 关 键 词： | 内嵌物理信息神经网络 有限差分方法 固定床吸附 穿透曲线 对流-扩散模型 偏微分方程 |
|
