基于实验数据学习与优化化工传递过程的可微混合建模
Differentiable Hybrid Modelling for Learning and Optimising Chemical Transport Processes from Experimental Data
精选理由
该框架从实验数据中学习可信的结晶动力学，并高效优化高维工艺参数以改善产品属性。
AI 摘要
arXiv:2609.04011v2 公告类型：replace-cross 摘要：传递模型是化工过程设计与优化的基础，但其本构定律通常依靠人工选定，实验初始条件被假定为精确值，而计算成本又使优化仅限于少数过程变量。本文提出一种可微混合建模框架，将神经网络嵌入 GPU 加速的群体平衡方程求解器，直接从结晶实验数据中发现本构定律并同化初始条件。利用十三组包含多维尺寸与形状测量结果的真实实验，我们表明，将测得的初始条件视为精确值，尽管能提高预测精度，却会得到物理上不一致的速率定律；而对初始条件进行同化，则能恢复物理上一致的非线性定律，并将轨迹误差降至传统建模方法的七分之一。端到端可微性还支持对高维操作曲线进行基于梯度的优化，找到了一条由 300 个变量描述的温度曲线，在质量不变的条件下将晶体长宽比降低了 25%，从而改善产品属性。我们的框架是对机理建模的增强，而非替代，为从数据中学习传递模型并利用这些模型优化过程提供了一条通用路径。