Моделирование скорости колебательной релаксации с помощью методов машинного обучения

  • Мария Андреевна Бушмакова Санкт-Петербургский государственный университет, Российская Федерация, 199034, Санкт-Петербург, Университетская наб., 7–9
  • Елена Владимировна Кустова Санкт-Петербургский государственный университет, Российская Федерация, 199034, Санкт-Петербург, Университетская наб., 7–9

Аннотация

Цель исследования - разработка эффективного алгоритма решения задач неравновесной газовой динамики в приближении детальной поуровневой колебательнохимической кинетики. Обсуждается оптимизация расчета скорости колебательной релаксации с использованием алгоритмов машинного обучения. Поскольку традиционные методы расчета требуют большого числа операций, затрат времени и памяти, предлагается вместо прямых вычислений прогнозировать скорость релаксации. Рассмотрены алгоритмы K-ближайших соседей и градиентного бустинга на основе гистограмм. Алгоритмы были обучены на наборах данных, полученных с использованием двух классических моделей коэффициентов скорости реакций: модели нагруженного гармонического осциллятора и моделиШварца-Славского-Герцфельда. Обученные алгоритмы использовались для решения задачи пространственно однородной релаксации смеси O2-O. Проведено сравнение точности и времени расчета разными методами. Показано, что используемые алгоритмы позволяют с хорошей точностью аппроксимировать значения релаксационных членов и приближенно решить систему уравнений для макропараметров. На основании полученных данных можно рекомендовать использование методов машинного обучения в задачах неравновесной газовой динамики с детальной колебательно-химической кинетикой. Обсуждаются пути дальнейшей оптимизации рассмотренных методов.
Ключевые слова:

неравновесные течения, колебательная кинетика, машинное обучение

Скачивания

Данные скачивания пока недоступны.
 

Литература

Литература

1. Нагнибеда Е.А., Кустова Е.В. Кинетическая теория процессов переноса и релаксации в потоках неравновесных реагирующих газов. Санкт-Петербург, Изд-во С.-Петерб. ун-та (2003).

2. Фрадков А.Л. Машинное обучение и искусственный интеллект в работах В.А.Якубовича. Вестник Санкт-Петербургского университета. Математика. Механика. Астрономия 8 (66), вып. 4, 620–624 (2021). https://doi.org/10.21638/spbu01.2021.407

3. Mott A., Job J., Vlimant J.R., Lidar D., Spiropulu M. Solving a Higgs optimization problem with quantum annealing for machine learning. Nature 550, 375–379 (2017). https://doi.org/10.1038/nature24047

4. Koch-Janusz M., Ringel Z. Mutual information, neural networks and the renormalization group. Nature Phys. 14, 578–582 (2018). https://doi.org/10.1038/s41567-018-0081-4

5. Carleo G., Troyer M. Solving the quantum many-body problem with artificial neural networks. Science 335, 602–606 (2017). https://doi.org/10.1126/science.aag2302

6. Istomin V.A., Kustova E.V. PAINeT: Implementation of neural networks for transport coefficients calculation. Journal of Physics: Conference Series 1959 (8), 012024 (2021). https://doi.org/ 10.1088/1742-6596/1959/1/012024

7. Schwartz R., Slawsky Z., Herzfeld K. Calculation of vibrational relaxation times in gases. J. Chem. Phys. 20, 1591 (1952). https://doi.org/10.1063/1.1700221

8. Adamovich I., Macheret S., Rich J., Treanor C. Vibrational energy transfer rates using a forced harmonic oscillator model. J. Thermophys. Heat Transfer 12, 57–65 (1998). https://doi.org/10.2514/2.6302

9. Кунова О.В., Кустова Е.В., Мельник М.Ю., Савельев А.С. Валидация моделей поуров- невой кинетики кислорода за фронтом ударной волны. Физико-химическая кинетика в газовой динамике 19 (3) (2018). http://doi.org/10.33257/PhChGD.19.3.765

10. Python-библиотека scikit-learn. Доступно на: https://scikit-learn.org/ (дата обращения: 01.11.2021).

References

1. Nagnibeda E.A., Kustova E.V. Kineticheskaia teoriia protsessov perenosa i relaksatsii v potokakh neravnovesnykh reagiruiushchikh gazov. St Petersburg, St Petersburg Univ. Press (2009). (In Russian) [Eng. transl.: Nagnibeda E.A., Kustova E.V. Nonequilibrium Reacting Gas Flows. Kinetic Theory of Transport and Relaxation Processes. Berlin, Heidelberg, Springer-Verlag (2009)].

2. Fradkov А. L. Machine learning and artificial intelligence in the works of V.A.Yakubovich. Vestnik of Saint Petersburg University. Mathematics. Mechanics. Astronomy 8 (66), iss. 4, 620–624 (2021). https://doi.org/10.21638/spbu01.2021.407 (In Russian) [Eng. transl.: Vestnik St Petersburg University, Mathematics 54 (4), 381–383 (2021). https://doi.org/10.1134/S1063454121040075].

3. Mott A., Job J., Vlimant J.R., Lidar D., Spiropulu M. Solving a Higgs optimization problem with quantum annealing for machine learning. Nature 550, 375–379 (2017). https://doi.org/10.1038/nature24047

4. Koch-Janusz M., Ringel Z. Mutual information, neural networks and the renormalization group. Nature Phys. 14, 578–582 (2018). https://doi.org/10.1038/s41567-018-0081-4

5. Carleo G., Troyer M. Solving the quantum many-body problem with artificial neural networks. Science 335, 602–606 (2017). https://doi.org/10.1126/science.aag2302

6. Istomin V.A., Kustova E.V. PAINeT: Implementation of neural networks for transport coefficients calculation. Journal of Physics: Conference Series 1959 (8), 012024 (2021). https://doi.org/ 10.1088/1742-6596/1959/1/012024

7. Schwartz R., Slawsky Z., Herzfeld K. Calculation of vibrational relaxation times in gases. J. Chem. Phys. 20, 1591 (1952). https://doi.org/10.1063/1.1700221

8. Adamovich I., Macheret S., Rich J., Treanor C. Vibrational energy transfer rates using a forced harmonic oscillator model. J. Thermophys. Heat Transfer 12, 57–65 (1998). https://doi.org/10.2514/2.6302

9. Kunova O.V., Kustova E.V., Melnik M.Yu., Savelev A. S. Validation of Models of State-to-State Oxygen Kinetics behind Shock Waves. Physical-Chemical Kinetics in Gas Dynamics 19 (3) (2018). http://doi.org/10.33257/PhChGD.19.3.765 (In Russian)

10. Python-library scikit-learn. Available at: https://scikit-learn.org/ (accessed: November 01, 2021).

Опубликован
2022-04-11
Как цитировать
Бушмакова, М. А., & Кустова, Е. В. (2022). Моделирование скорости колебательной релаксации с помощью методов машинного обучения. Вестник Санкт-Петербургского университета. Математика. Механика. Астрономия, 9(1), 113-125. https://doi.org/10.21638/spbu01.2022.111
Раздел
Механика