WO2022233602A1 - Procede de construction d'un modele de simulation d'une reaction chimique - Google Patents

Procede de construction d'un modele de simulation d'une reaction chimique Download PDF

Info

Publication number
WO2022233602A1
WO2022233602A1 PCT/EP2022/060739 EP2022060739W WO2022233602A1 WO 2022233602 A1 WO2022233602 A1 WO 2022233602A1 EP 2022060739 W EP2022060739 W EP 2022060739W WO 2022233602 A1 WO2022233602 A1 WO 2022233602A1
Authority
WO
WIPO (PCT)
Prior art keywords
chemical reaction
simulation
chemical
simulation model
neural network
Prior art date
Application number
PCT/EP2022/060739
Other languages
English (en)
Inventor
Cedric MEHL
Thibault FANEY
Original Assignee
IFP Energies Nouvelles
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by IFP Energies Nouvelles filed Critical IFP Energies Nouvelles
Priority to JP2023566838A priority Critical patent/JP2024517767A/ja
Priority to EP22724743.4A priority patent/EP4334949A1/fr
Priority to CA3213684A priority patent/CA3213684A1/fr
Publication of WO2022233602A1 publication Critical patent/WO2022233602A1/fr

Links

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
    • G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
    • G16C20/10—Analysis or design of chemical reactions, syntheses or processes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
    • G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
    • G16C20/70—Machine learning, data mining or chemometrics

Definitions

  • the present invention relates to the field of the simulation of chemical kinetics, with the aim of predicting a mixture of chemical species at the output of a reactive system.
  • the prediction of the behavior of chemical reactive systems is important for the design of many industrial systems, such as processes or energy conversion systems in transport with chemical propulsion, as well as in the transport issues of these chemical compounds.
  • a fluid containing a mixture of chemical species undergoes various transformations, called chemical reactions.
  • it may involve the prediction of the composition of chemical species within combustion, in particular in a combustion engine, chemical reactions within an electric battery, within a fuel cell , within a reactive flow, within a catalysis process, etc.
  • This modeling consists of predicting the evolution of chemical reagents (chemical species) in a reactive system between an input and an output.
  • the notion of input and output can correspond to one of the following definitions: the input and the output can correspond to a physical input and output of a system (before and after a reaction reaction), as well as the evolution of the system between two time steps during a numerical simulation (before or after a time step of a chemical reaction).
  • Patent application WO2020176914 describes a prediction of gas concentrations from neural networks.
  • the method is applied to the post-treatment of engine exhaust gases.
  • the direct calculation of chemical kinetics is expensive, hence the use of neural networks. Nevertheless, for this method the conservation of mass is not taken into account by the neural networks, which does not allow an accurate prediction of the concentrations of the exhaust gases.
  • the patent application CN109918702 envisages the prediction of chemical states by neural networks, taking into account the conservation of the mass of the atoms by means of a constraint. However, this constraint is not included in the neural network.
  • the aim of the invention is to construct a simulation model of at least one chemical reaction making it possible to predict in an accurate and reliable manner the chemical compositions during the at least one chemical reaction.
  • the present invention relates to a method building a simulation model of at least one chemical reaction, which builds an intermediate model by means of an artificial neural network and a learning base, then which builds the simulation model by adding an additional mass conservation layer to the artificial neural network.
  • the invention relates to a method for simulating a chemical reaction, implementing the built simulation model.
  • the invention relates to a method for constructing a simulation model of at least one chemical reaction between several chemical species within a reactive system, by means of a learning base, said learning base comprising learning input data and learning output data of said chemical reaction, said learning input and learning output data being representative of the mass fractions of said chemical species respectively at the input and at the output of said chemical reaction.
  • An intermediate model of said simulation model is constructed by means of an artificial neural network, which comprises an input layer, at least one hidden layer and an output layer, the construction of said intermediate model being implemented by means of said learning base; and B.
  • Said simulation model is constructed by means of said intermediate model and an additional layer implemented after said output layer of said neural network, said additional layer being formed by a linear operator which applies a linear correction to the output data of said output layer of said network of artificial neurons to ensure the conservation of the mass of the chemical elements forming said chemical species used in said chemical reaction.
  • said additional layer is constructed by means of a linear correction calculation step and a step of applying said calculated linear correction.
  • the linear correction is calculated for a number of chemical species of said chemical reaction corresponding to the number of chemical elements of said chemical reaction.
  • the synaptic weights of the artificial neural network are optimized after the addition of the additional layer by means of the input and output data of the learning base.
  • said input and output data are determined respectively before and after said chemical reaction, or respectively before and after a time step of said chemical reaction.
  • said input data are mass fractions of said chemical species.
  • said output data are mass fractions of said chemical species or variations of the mass fractions of said chemical species.
  • the invention relates to a method for simulating at least one chemical reaction between several chemical species within a reactive system.
  • a simulation model is constructed by means of the method for constructing a simulation model according to one of the preceding characteristics; and B. Said simulation model is applied to simulation input data, said simulation input data being representative of said mass fractions of said chemical species as input to said chemical reaction.
  • said simulation model is constructed for a time step, and the step of applying said simulation model is reiterated for a plurality of successive time steps, and at each reiteration, said data of simulation input are the output data of the previous time step.
  • said chemical reaction is a chemical reaction within an energy conversion system, for example a combustion within an engine or a chemical reaction within an electric battery, or a chemical reaction within within a fuel cell, or a chemical reaction within a system for transporting said chemical species.
  • FIG. 1 illustrates the steps of the method for constructing a simulation model of a chemical reaction according to a first embodiment of the invention.
  • FIG. 2 illustrates the steps of the method for constructing a simulation model of a chemical reaction according to a second embodiment of the invention.
  • FIG. 3 illustrates the steps of the method for simulating a chemical reaction according to a first embodiment of the invention.
  • FIG. 4 illustrates the steps of the method for simulating a chemical reaction according to a second embodiment of the invention.
  • FIG. 5 illustrates the steps of the method for simulating a chemical reaction according to a third embodiment of the invention.
  • FIG. 6 illustrates a simulation model of a chemical reaction according to one embodiment of the invention.
  • FIG. 7 illustrates a simulation model of a chemical reaction according to one embodiment of the invention.
  • FIG. 8 illustrates the curves of the mass fractions of four chemical elements as a function of time for a simulation by means of a method according to the prior art.
  • FIG. 9 illustrates the curves of the mass fractions of four chemical elements as a function of time for a simulation by means of a method according to an embodiment of the invention.
  • the present invention relates to a method for constructing a simulation model of at least one chemical reaction between several chemical species within a reactive system.
  • the present invention relates to the prediction of chemical kinetics; that is to say the prediction of the chemical species during a chemical reaction, or at a given moment of the chemical reaction.
  • chemical reaction the exchanges of matter between various chemical species in a reactive system.
  • the chemical reaction can be written in the form of a balance equation.
  • methane combustion without taking into account the presence of nitrogen in the air
  • the chemical reaction can be written: CH 4 + 2O 2 ® CO 2 + 2 H 2 O.
  • the reactive system is the system in which the chemical reaction takes place.
  • the reactive system is the combustion chamber.
  • the molecules used in the chemical reaction are called chemical species.
  • the chemical species are methane CH 4 , dioxygen O 2 , carbon dioxide CO 2 and water H 2 O. works in the chemical reaction.
  • the chemical elements are carbon C, hydrogen H, oxygen O.
  • the present invention implements a learning base.
  • the learning base comprises input data representative of the mass fractions of the chemical species entering the reactive system.
  • the learning base further comprises output data representative of the mass fractions of the chemical species at the output of the reactive system.
  • the mass fraction of a chemical species is defined by the ratio of the mass of the chemical species to the total mass of the mixture in the reactive system.
  • input and output can correspond to one of the following definitions: this notion of input and output can correspond to a physical input and output of a system (before and after a chemical reaction), or to the evolution of the system between two time steps during a numerical simulation (before or after a time step of a chemical reaction).
  • the input data of the learning base can correspond to the mass fractions of the chemical species.
  • the output data from the learning base can correspond to the mass fractions of the chemical species.
  • the output data from the learning base can correspond to the variations of mass fractions of the chemical species, these variations being those produced during the chemical reaction.
  • the input and output data of the learning base can come from experimentally measured data and/or from simulation data.
  • the method may include a prior step of constructing the learning base, from data measured experimentally and/or data from simulation.
  • the method for constructing a simulation model comprises the following steps:
  • Figure 1 illustrates, schematically and in a non-limiting manner, the steps of the method according to a first embodiment of the invention.
  • an intermediate model is trained by means of an RNA artificial neural network and an OPT (learning) optimization of the RNA artificial neural network. This optimization step makes it possible to determine the synaptic weights of the RNA artificial neural network according to the data from the BAP learning base.
  • the MSI simulation model is built, using the optimized (learned) RNA artificial neuron model and an additional layer, called the additional RNC conservation layer.
  • the synaptic weights of the artificial neural network can be optimized after the addition of the additional conservation layer by means of the data from the learning base.
  • learning is applied to the entire model formed of the artificial neural network and the additional conservation layer.
  • the simulation model can be optimized by taking into account data from the learning base.
  • FIG. 2 illustrates, schematically and in a non-limiting manner, the steps of the method of this embodiment.
  • the artificial neural network RNA is optimized OPT (learning) simultaneously with the additional layer of RNC conservation in order to build the MSI simulation model.
  • OPT learning
  • an update of the synaptic weights of the artificial neural network with the additional RNC conservation layer is implemented from the learning database BAP.
  • the invention relates to a method for numerical simulation of at least one chemical reaction between several chemical species within a reactive system.
  • a numerical simulation method corresponds to a method for predicting chemical species during a chemical reaction within a reactive system.
  • the simulation method implements the model construction method according to any one of the variants or combinations of variants described in the present application, and a step of applying the simulation model to simulation input data.
  • the numerical simulation then generates simulation output data.
  • the simulation input data and the simulation output data are of the same nature as the input and output data of the learning base.
  • the simulation input and output data are representative of the mass fractions of the chemical species respectively at the input and at the output of the simulated reactive system.
  • simulation input and output can correspond to one of the following definitions: on the one hand to a physical input and output of a system (before and after a chemical reaction), on the other hand to the evolution of the system between two time steps during a numerical simulation (before or after a time step of a chemical reaction).
  • the simulation input data can correspond to the mass fractions of the chemical species.
  • the simulation output data may correspond to the mass fractions of the chemical species.
  • the simulation output data may correspond to variations in mass fractions of the chemical species.
  • Simulation input data may be obtained experimentally, or may be obtained by simulation.
  • the simulation process includes the following steps:
  • steps 1 and 2 can be implemented beforehand only once, and step 3 can be repeated with the simulation model. These steps are detailed in the remainder of the description.
  • FIG. 3 illustrates, schematically and in a non-limiting manner, the steps of the digital simulation method according to a first embodiment of the invention.
  • an intermediate model is trained by means of an RNA artificial neural network and an OPT optimization of the RNA artificial neural network. This optimization step makes it possible to determine the synaptic weights of the RNA artificial neural network according to the data from the BAP learning base.
  • the MSI simulation model is built, using the optimized RNA artificial neuron model and an additional RNC conservation layer.
  • the simulation model MSI is applied SIM to simulation input data DES to determine simulation output data DSS.
  • FIG. 4 illustrates, schematically and in a non-limiting manner, the steps of the digital simulation method according to a second embodiment of the invention.
  • This second embodiment of the digital simulation method implements the second embodiment of the method for constructing the simulation model of FIG. 2.
  • An artificial neural network RNA, and the additional conservation layer RNC are constructed.
  • the artificial neural network RNA is optimized OPT simultaneously with the additional conservation layer RNC so as to build the simulation model MSI.
  • an update of the synaptic weights of the artificial neural network with the additional RNC conservation layer is implemented from the learning database BAP.
  • the simulation model MSI is applied SIM to simulation input data DES to determine simulation output data DSS.
  • a simulation for which a simulation is carried out for a plurality of successive time steps (that is to say for several intermediate stages of the chemical reactions)
  • a chemical reaction can be simulated step by step, in a precise and robust manner.
  • FIG. 5 illustrates, schematically and in a non-limiting manner, the steps of the digital simulation method according to a third embodiment of the invention.
  • This third embodiment of the digital simulation method implements the second embodiment of the method for constructing the simulation model of FIG. 2.
  • An artificial neural network RNA, and the additional conservation layer RNC are constructed.
  • the artificial neural network RNA is optimized OPT simultaneously with the additional conservation layer RNC so as to build the simulation model MSI.
  • an update of the synaptic weights of the artificial neural network with the additional RNC conservation layer is implemented from the learning database BAP.
  • the simulation model MSI is applied SIM to simulation input data DES to determine simulation output data DSS.
  • the simulation step is repeated for new simulation input data, which correspond to the simulation output data of the previous time step.
  • an intermediate model is constructed using an artificial neural network.
  • the model is said to be intermediate, because it is not the simulation model obtained by the process: this intermediate model is modified in step 2.
  • the artificial neural network makes it possible to obtain a model allowing rapid evaluation of the data of output data, and with a limited computer memory requirement, in particular faster than a complex numerical model representative of the chemical reaction.
  • the artificial neural network is suitable for complex chemical reactions, in particular involving a large number of chemical species. Indeed, the simulations of these complex systems can require significant computer resources, in particular in terms of memory, and high simulation times.
  • An artificial neural network is an algorithm whose parameters are optimized using a so-called training database derived from the learning base, which contains the learning input/output pairs.
  • the artificial neural network includes an input layer, at least one hidden layer and an output layer.
  • the input layer and the output layer have a number of neurons which corresponds to the number of chemical species in the chemical reaction.
  • the construction of the artificial neural network is implemented by means of the learning base.
  • the synaptic weights of the neural network are learned in a supervised way to match the input and output data of the learning base.
  • the intermediate model makes it possible to determine output data from input data, while being representative of the data of the learning base.
  • the inputs of the intermediate model are of the same nature as the input data of the learning base, and the outputs of the intermediate model are of the same nature as the output data of the learning base.
  • the artificial neural network can be of any form, for example a deep neural network, a recurrent neural network, a multi-layer Perceptron neural network, etc.
  • the construction of the intermediate model may include a validation step of the artificial neural network, in particular to avoid problems of overlearning.
  • the validation can be implemented by means of part of the data from the learning base.
  • the simulation model is constructed by means of the intermediate model constructed in step 1 and an additional layer, called additional conservation layer.
  • the additional conservation layer is added after the output layer of the artificial neural network.
  • the additional conservation layer is formed by a linear operator for the conservation of the mass of the chemical elements present in the chemical reaction.
  • the simulation model comprises the input layer, the at least one hidden layer and the output layer of the artificial neural network, the additional conservation layer.
  • the additional conservation layer makes it possible to verify the conservation of the mass of the chemical elements within the simulation model itself, which makes the simulation model more precise.
  • the linearity of the additional conservation layer makes it possible to retain the advantages of the artificial neural network: simulation of complex systems with limited computer memory and limited calculation time.
  • the additional conservation layer comprises a number of inputs and a number of outputs which correspond to the number of chemical species of the chemical reaction.
  • data representative of the mass fractions of the chemical species of the chemical reaction are determined. Once determined, the additional layer of conservation is static and constant. In other words, the additional preservation layer is not modified.
  • the additional conservation layer can be constructed by means of a step for calculating the linear correction and a step for applying the calculated linear correction.
  • the correction step can be applied for a number of chemical species which corresponds to the number of chemical elements.
  • the chemical species chosen can contain at least once each atom present in the mixture. Thus, an underdetermination of the problem can be avoided.
  • these two steps can be preceded by a normalization inversion step, and can be followed by a standardization step.
  • a mixture of chemical species numbered 1, ..., N s and described by the mass fraction Y k of each of these species is considered.
  • an input chemical state is denoted in and the corresponding output out.
  • the corresponding mass fractions are denoted and respectively.
  • the passage between entry and exit involves a number of chemical reactions between these species.
  • the fraction Y j corresponds to the mass of atom j relative to the total mass of the mixture.
  • This mass fraction can be written from the mass fractions of species as follows: Where M k corresponds to the molar mass of the chemical species k, is the number of atoms j present in the molecule of chemical species k and M j corresponds to the molar mass of atom j.
  • M k corresponds to the molar mass of the chemical species
  • M j corresponds to the molar mass of atom j.
  • This relation can be written in a matrix way by setting the vector containing the mass fractions of atoms and the vector of the mass fractions chemical species. We can then write:
  • g the output vector of the artificial neural network. This embodiment consists in correcting the vector g in order to satisfy the previous relationship.
  • the correction can be written by adding an a priori term to be determined, denoted ⁇ :
  • This equation is a linear system with unknowns .
  • this system contains N s unknowns and N a equations.
  • the number of atoms is much less than the number of species (N a « N s ), and the system is therefore underdetermined.
  • N a the number of species
  • N a the number of species
  • a new correction vector can be defined as follows:
  • M' corresponds to the sub-matrix of M containing only the columns corresponding to the species .
  • Mr corresponds to the sub-matrix of M containing only the columns corresponding to the species .
  • a modification of the neural network in this case a modification of the synaptic weights, can be carried out after the application of the correction.
  • this correction being applied inside the neural network, the parameters of the at least one upstream hidden layer can be adjusted so that the output is well predicted, and this despite the fact that an arbitrarily chosen set of species is selected to correct the mass of the atoms.
  • FIG. 6 illustrates, schematically and in a non-limiting manner, the construction of the simulation model according to one embodiment of the invention.
  • the RNA artificial neural network includes an input layer CE, for which the mass fractions of the species chemicals are the input data.
  • the RNA artificial neural network includes at least one CC hidden layer.
  • the artificial neural network RNA further comprises an output layer CS, for which mass fractions of the chemical species g 1 , ..., g Ns constitute the output data.
  • the layers of the artificial neural network RNA comprise a plurality of artificial neurons NA, represented by circles. Each artificial neuron NA is associated with a synaptic weight.
  • the RNC simulation model further includes an additional layer of conservation L c which determines the linear correction of the output data g 1 ,...,g Ns of the artificial neural network RNA to determine the mass fractions of the chemical species at the outlet, while ensuring the conservation of the mass of the chemical elements.
  • the additional conservation layer L c takes the input data into account.
  • Figure 7 is a figure similar to figure 6, in the case where the output data are variations of the mass fraction of the chemical species w 1 ..., w Ns with .
  • the elements identical to FIG. 6 are not detailed again.
  • the additional conservation layer L c does not need to take into account the input data
  • This step relates only to the method of digital simulation of at least one chemical reaction.
  • the simulation model constructed in step 2 is applied to simulation input data.
  • the chemical kinetics of the chemical reaction are simulated from simulation input data and from the simulation model. It can be a simulation for the entire chemical reaction or for a time step of the chemical reaction.
  • a chemical reaction can be simulated step by step, in a precise and robust manner.
  • the chemical reaction may be a chemical reaction from the field of reactive fluid mechanics.
  • the chemical species can be liquids or gases.
  • the invention may relate to a chemical reaction of combustion, in particular within a combustion engine, a turbine, or any similar system.
  • the methods according to the invention can make it possible to model complex systems with numerous chemical species.
  • the invention may relate to a chemical reaction within an energy storage and supply system, in particular within an electric battery or a fuel cell.
  • the methods according to the invention can make it possible to model complex systems with numerous chemical species.
  • the invention may relate to a chemical catalysis reaction, in particular a catalysis within an exhaust gas post-treatment system, or a catalysis implemented in the field of the production of hydrocarbons.
  • a chemical catalysis reaction in particular a catalysis within an exhaust gas post-treatment system, or a catalysis implemented in the field of the production of hydrocarbons.
  • the invention may relate to a chemical reaction specific to fluid flows in a porous medium, in particular a precipitation or dissolution reaction of one or more minerals.
  • a chemical reaction specific to fluid flows in a porous medium in particular a precipitation or dissolution reaction of one or more minerals.
  • the invention relates to a digital chemical reaction simulator implementing the simulation model constructed by the method according to one of the variants or combinations of variants of the method according to the invention.
  • the digital simulator uses simulation input data to determine simulation output data.
  • the simulation input data and the simulation output data are representative of the mass fractions of the chemical species of the chemical reaction.
  • the invention relates to a method for designing a reactive system, in which at least one chemical reaction takes place, in which the following steps are implemented: -
  • the chemical reaction is numerically simulated in the reactive system by means of the simulation method according to any one of the variants or combinations of variants previously described, and -
  • the reactive system is designed, and the chemical reaction is implemented in the reactive system.
  • a plurality of numerical simulations can be carried out, for a plurality of chemical reactions (for example by modifying the chemical species initially present) and/or for a plurality of reactive systems (for example for several dimensions or shapes of reactive systems).
  • the comparison of the simulations makes it possible to determine the chemical reaction and/or the reactive system to be designed.
  • the present invention may also relate to a method for controlling a reactive system, in which at least one chemical reaction takes place, and in which the following steps are implemented: - the chemical reaction is numerically simulated in the reactive system by means of of the simulation method according to any one of the variants or combinations of variants previously described, and - the reactive system is controlled, preferably in real time, as a function of the simulated chemical reaction, in particular to avoid dangerous situations, or not suitable for the intended use.
  • control may consist in controlling the quantity of air or fuel in the combustion chamber.
  • the purpose of this control may be to limit polluting emissions, or to avoid the phenomenon of knocking, etc.
  • control may correspond to the control of the voltage or of the current, in particular to limit overheating or premature aging of the electric battery.
  • control may in particular correspond to the control of the air intake, to optimize the chemical kinetics within the fuel cell, so as to increase the performance thereof.
  • the case considered here is a case of methane combustion at constant pressure, where the atoms generally present are carbon (C), hydrogen (H), oxygen (O) and nitrogen (N).
  • the learning base is the same, and the number of layers as well as the number of neurons of the artificial neural network are the same.
  • the neural network selected is a network of multi-layer Perceptron type (from the English “Multi-Layer Perceptron”) which comprises two hidden layers with 64 units each.
  • the database consists of simulations of the combustion of H 2 /air mixtures for different initial temperatures T 0 and richness ⁇ .
  • One thousand simulations are selected from the learning base, using a Latin Hypercube Sampling algorithm.
  • This sampling is carried out for values of T 0 between 1600 K (approximately 1326°C) and 1800K (approximately 1526°C), and richness values between 0.7 and 1.5.
  • the optimization of the network weights is performed using a gradient descent method.
  • FIG. 8 illustrates the curves of the process according to the prior art, as a function of time t in ms, of the normalized mass fraction of carbon Y c (top left), of the normalized mass fraction of hydrogen Y H ( top right), the normalized mass fraction of oxygen Y o (bottom left), and the normalized mass fraction of nitrogen Y N (bottom right).
  • the curves of the mass fraction of carbon and hydrogen are not constant over time.
  • the artificial neural network according to the prior art does not make it possible to guarantee the conservation of the mass of the carbon atoms and of the hydrogen atoms, whereas the conservation of the masses of atoms during the simulation is a point critical. Indeed, a deviation of the mass at a given moment can have negative repercussions on the rest of the simulation, and make the simulation imprecise.
  • FIG. 9 illustrates the curves of the process according to the invention (with the additional preservation layer), as a function of time t in ms, of the mass fraction of the normalized carbon Yc (top left), of the mass fraction of the normalized hydrogen Y H (top right), normalized mass fraction of oxygen Y O (bottom left), and normalized mass fraction of nitrogen Y N (bottom right). Note that the four curves are constant over time. Consequently, the use of the layer L c according to the invention allows the conservation of the mass of the atoms, and consequently better accuracy and better robustness of the simulation model.

Abstract

La présente invention concerne un procédé de construction d'un modèle de simulation (MSI) d'au moins une réaction chimique, qui construit un modèle intermédiaire au moyen d'un réseau de neurones artificiels (RNA) et d'une base d'apprentissage (BAP), puis qui construit le modèle de simulation par ajout d'une couche additionnelle (RNC) de conservation de la masse au réseau de neurones artificiels (RNA). En outre, l'invention concerne un procédé de simulation (SIM) d'une réaction chimique, mettant en œuvre le modèle de simulation (MSI) construit.

Description

PROCEDE DE CONSTRUCTION D'UN MODELE DE SIMULATION D'UNE REACTION CHIMIQUE
Domaine technique
La présente invention concerne le domaine de la simulation de la cinétique chimique, dans le but de prédire un mélange d'espèces chimiques en sortie d'un système réactif.
La prédiction du comportement de systèmes réactifs chimiques est importante pour le design de nombreux systèmes industriels, tel que les procédés ou les systèmes de conversion énergétique dans les transports à propulsion chimique, ainsi que dans les problématiques de transports de ces composés chimiques. Dans ces systèmes, un fluide contenant un mélange d'espèces chimiques subit diverses transformations, appelées réactions chimiques. Par exemple, il peut s'agir de la prédiction de la composition des espèces chimiques au sein d'une combustion, notamment dans un moteur à combustion, des réactions chimiques au sein d'une batterie électrique, au sein d'une pile à combustible, au sein d'un écoulement réactif, au sein d'un procédé de catalyse, etc.
Cette modélisation consiste à prédire l'évolution des réactifs chimiques (espèces chimiques) dans un système réactif entre une entrée et une sortie. Dans cette demande de brevet, la notion d'entrée et de sortie peut correspondre à l'une des définitions suivantes : l'entrée et la sortie peuvent correspondre à une entrée et à une sortie physique d'un système (avant et après une réaction chimique), ainsi qu'à l'évolution du système entre deux pas de temps au cours d'une simulation numérique (avant ou après un pas de temps d'une réaction chimique).
Technique antérieure
Pour simuler les réactions chimiques, des approches dites « data-based » (basés sur des données) peuvent être utilisées. De telles approches permettent de prédire le comportement de la réaction chimique dans le système réactif à partir de données issues de simulations ou d'expériences préalables, et au moyen d'algorithmes d'apprentissage automatique (de l'anglais « machine learning »). Généralement, ces approches non directement liées à la physique, ne permettent pas de prendre en compte tous les phénomènes physiques mis en oeuvre dans les réactions chimiques, en particulier la conservation de la masse de chaque atome présent dans le mélange d'espèces chimiques. Par conséquent, de telles approches restent imprécises.
Pour prendre en compte la conservation de la masse, certaines approches ont prévu une étape supplémentaire dans laquelle on vérifie la conservation de la masse. Toutefois, cette étape supplémentaire est réalisée en dehors du modèle, ce qui limite l'optimisation de la prédiction.
La demande de brevet WO2020176914 décrit une prédiction de concentrations de gaz à partir de réseaux de neurones. La méthode est appliquée au post-traitement de gaz d'échappement moteur. Le calcul direct de la cinétique chimique est cher, d'où l'utilisation de réseaux de neurones. Néanmoins, pour cette méthode la conservation de la masse n'est pas prise en compte par les réseaux de neurones, ce qui ne permet pas une prédiction précise des concentrations des gaz d'échappement.
La demande de brevet CN109918702 envisage la prédiction d'états chimiques par réseaux de neurones, avec prise en compte de la conservation de la masse des atomes au moyen d'une contrainte. Toutefois, cette contrainte n'est pas incluse dans le réseau de neurones.
Le document : « Hendricks et al, LINEARLY CONSTRAINED NEURAL NETWORKS , arXiv :2002.01600, 2020 » concerne le domaine de la mécanique des fluides. Dans ce document, il est proposé un réseau de neurones artificiels pour garantir une divergence nulle d'un champ de vitesse dans le cas d'un fluide incompressible. Ce document ne permet pas la prise en compte de la conservation de la masse pour une réaction chimique.
Le document « Mohan et al., EMBEDDING HARD PHYSICAL CONSTRAINTS IN NEURAL NETWORK COARSE-GRAINING OF 3D TURBULENCE, arXiv:2002.00021 , 2020) concerne également le domaine de la mécanique des fluides. Dans ce document, il est également proposé un réseau de neurones artificiels pour garantir une divergence nulle d'un champ de vitesse dans le cas d'un fluide incompressible. Ce document ne permet pas la prise en compte de la conservation de la masse pour une réaction chimique.
Résumé de l'invention
L'invention a pour but de construire un modèle de simulation d'au moins une réaction chimique permettant de prédire de manière précise et fiable les compositions chimiques lors de l'au moins une réaction chimique. Pour cela, la présente invention concerne un procédé de construction d'un modèle de simulation d'au moins une réaction chimique, qui construit un modèle intermédiaire au moyen d'un réseau de neurones artificiels et d'une base d'apprentissage, puis qui construit le modèle de simulation par ajout d'une couche additionnelle de conservation de la masse au réseau de neurones artificiels.
En outre, l'invention concerne un procédé de simulation d'une réaction chimique, mettant en oeuvre le modèle de simulation construit.
L'invention concerne un procédé de construction d'un modèle de simulation d'au moins une réaction chimique entre plusieurs espèces chimiques au sein d'un système réactif, au moyen d'une base d'apprentissage, ladite base d'apprentissage comprenant des données d'entrée d'apprentissage et des données de sortie d'apprentissage de ladite réaction chimique, lesdites données d'entrées d'apprentissage et de sortie d'apprentissage étant représentatives des fractions massiques desdites espèces chimiques respectivement en entrée et en sortie de ladite réaction chimique. Pour ce procédé, on met en oeuvre les étapes suivantes : a. On construit un modèle intermédiaire dudit modèle de simulation au moyen d'un réseau de neurones artificiels, qui comporte une couche d'entrée, au moins une couche cachée et une couche de sortie, la construction dudit modèle intermédiaire étant mise en oeuvre au moyen de ladite base d'apprentissage ; et b. On construit ledit modèle de simulation au moyen dudit modèle intermédiaire et d'une couche additionnelle mise en oeuvre après ladite couche de sortie dudit réseau de neurones, ladite couche additionnelle étant formée par un opérateur linéaire qui applique une correction linéaire aux données de sortie de ladite couche de sortie dudit réseau de neurones artificiels pour assurer la conservation de la masse des éléments chimiques formant lesdites espèces chimiques mises en oeuvre dans ladite réaction chimique.
Selon un mode de réalisation, on construit ladite couche additionnelle au moyen d'une étape de calcul de correction linéaire et une étape d'application de ladite correction linéaire calculée.
Avantageusement, on calcule la correction linéaire pour un nombre d'espèces chimiques de ladite réaction chimique correspondant au nombre d'éléments chimiques de ladite réaction chimique. Conformément à une mise en oeuvre, on optimise des poids synaptiques du réseau de neurones artificiels après l'ajout de la couche additionnelle au moyen des données d'entrée et de sortie de la base d'apprentissage.
Selon un aspect, lesdites données d'entrée et de sortie sont déterminées respectivement avant et après ladite réaction chimique, ou respectivement avant et après un pas de temps de ladite réaction chimique.
Selon une option de réalisation, lesdites données d'entrée sont des fractions massiques desdites espèces chimiques.
Selon une caractéristique, lesdites données de sortie sont des fractions massiques desdites espèces chimiques ou des variations des fractions massiques desdites espèces chimiques.
En outre, l'invention concerne un procédé de simulation d'au moins une réaction chimique entre plusieurs espèces chimiques au sein d'un système réactif. Pour ce procédé, on met en oeuvre les étapes suivantes : a. On construit un modèle de simulation au moyen du procédé de construction d'un modèle de simulation selon l'une des caractéristiques précédentes ; et b. On applique ledit modèle de simulation à des données d'entrée de simulation, lesdites données d'entrée de simulation étant représentatives desdites fractions massiques desdites espèces chimiques en entrée de ladite réaction chimique.
Conformément à un mode de réalisation, ledit modèle de simulation est construit pour un pas de temps, et on réitère l'étape d'application dudit modèle de simulation pour une pluralité de pas de temps successifs, et à chaque réitération, lesdites données d'entrée de simulation sont les données de sortie du pas de temps précédent.
Selon une mise en oeuvre, ladite réaction chimique est une réaction chimique au sein d'un système de conversion énergétique, par exemple une combustion au sein d'un moteur ou une réaction chimique au sein d'une batterie électrique, ou une réaction chimique au sein d'une pile à combustible, ou une réaction chimique au sein d'un système de transport desdites espèces chimiques.
D'autres caractéristiques et avantages du procédé selon l'invention, apparaîtront à la lecture de la description ci-après d'exemples non limitatifs de réalisations, en se référant aux figures annexées et décrites ci-après. Liste des figures
La figure 1 illustre les étapes du procédé de construction d'un modèle de simulation d'une réaction chimique selon un premier mode de réalisation de l'invention.
La figure 2 illustre les étapes du procédé de construction d'un modèle de simulation d'une réaction chimique selon un deuxième mode de réalisation de l'invention.
La figure 3 illustre les étapes du procédé de simulation d'une réaction chimique selon un premier mode de réalisation de l'invention.
La figure 4 illustre les étapes du procédé de simulation d'une réaction chimique selon un deuxième mode de réalisation de l'invention.
La figure 5 illustre les étapes du procédé de simulation d'une réaction chimique selon une troisième mode de réalisation de l'invention.
La figure 6 illustre un modèle de simulation d'une réaction chimique selon un mode de réalisation de l'invention.
La figure 7 illustre un modèle de simulation d'une réaction chimique selon un mode de réalisation de l'invention.
La figure 8 illustre les courbes des fractions massiques de quatre éléments chimiques en fonction du temps pour une simulation au moyen d'un procédé selon l'art antérieur.
La figure 9 illustre les courbes des fractions massiques de quatre éléments chimiques en fonction du temps pour une simulation au moyen d'un procédé selon un mode de réalisation de l'invention.
Description des modes de réalisation
La présente invention concerne un procédé de construction d'un modèle de simulation d'au moins une réaction chimique entre plusieurs espèces chimiques au sein d'un système réactif. En d'autres termes, la présente invention concerne la prédiction de la cinétique chimique ; c'est-à-dire la prédiction des espèces chimiques lors d'une réaction chimique, ou à un instant donné de la réaction chimique.
A titre illustratif uniquement, les différents termes vont être illustrés dans le cas d'une combustion de méthane au sein d'une chambre de combustion. Toutefois, le procédé selon l'invention peut être appliqué à d'autres réactions chimiques. Les différentes applications possibles du procédé selon l'invention sont décrites à la fin de la présente demande.
On appelle réaction chimique : les échanges de matière entre diverses espèces chimiques dans un système réactif. Généralement, la réaction chimique peut s'écrire sous la forme d'une équation bilan. Pour l'exemple d'une combustion du méthane (sans prendre en compte la présence d'azote dans l'air), la réaction chimique peut s'écrire : CH4 + 2O2 ® CO2 + 2 H2O.
Le système réactif est le système dans lequel se produit la réaction chimique. Pour l'exemple de la combustion du méthane, le système réactif est la chambre de combustion. On appelle espèces chimiques les molécules mises en oeuvre dans la réaction chimique. Pour l'exemple de la combustion du méthane, les espèces chimiques sont le méthane CH4, le dioxygène O2, le dioxyde de carbone CO2 et l'eau H2O. De plus, on appelle éléments chimiques, les atomes mis en oeuvre dans la réaction chimique. Pour l'exemple de la combustion du méthane, les éléments chimiques sont le carbone C, l'hydrogène H, l'oxygène O.
La présente invention met en oeuvre une base d'apprentissage. La base d'apprentissage comprend des données d'entrée représentatives des fractions massiques des espèces chimiques en entrée du système réactif. La base d'apprentissage comprend en outre des données de sortie représentative des fractions massiques des espèces chimiques en sortie du système réactif. La fraction massique d'une espèce chimique est définie par le ratio de la masse de l'espèce chimique par la masse totale du mélange dans le système réactif.
La notion d'entrée et de sortie peut correspondre à l'une des définitions suivantes : cette notion d'entrée et de sortie peut correspondre à une entrée et une sortie physique d'un système (avant et après une réaction chimique), ou à l'évolution du système entre deux pas de temps au cours d'une simulation numérique (avant ou après un pas de temps d'une réaction chimique).
Avantageusement, les données d'entrée de la base d'apprentissage peuvent correspondre aux fractions massiques des espèces chimiques.
Selon un mode de réalisation, les données de sortie de la base d'apprentissage peuvent correspondre aux fractions massiques des espèces chimiques.
En variante, les données de sortie de la base d'apprentissage peuvent correspondre aux variations de fractions massiques des espèces chimiques, ces variations étant celles réalisées lors de la réaction chimique. Les données d'entrée et de sortie de la base d'apprentissage peuvent être issues de données mesurées expérimentalement et/ou de données issues de simulation. Conformément à une mise en oeuvre de l'invention, le procédé peut comporter une étape préalable de construction de la base d'apprentissage, à partir des données mesurées expérimentalement et/ou de données issues de simulation.
Selon l'invention, le procédé de construction d'un modèle de simulation comprend les étapes suivantes :
1. Construction d'un modèle intermédiaire (réseau de neurones artificiels)
2. Construction du modèle de simulation
Ces étapes peuvent être mises en oeuvre par des moyens informatiques, comprenant notamment un ordinateur ou un serveur. Ces étapes seront détaillées dans la suite de la description.
La figure 1 illustre, schématiquement et de manière non limitative, les étapes du procédé selon un premier mode de réalisation de l'invention. A partir d'une base d'apprentissage BAP, on forme un modèle intermédiaire au moyen d'un réseau de neurones artificiels RNA et d'une optimisation OPT (apprentissage) du réseau de neurones artificiels RNA. Cette étape d'optimisation permet de déterminer les poids synaptiques du réseau de neurones artificiels RNA en fonction des données de la base d'apprentissage BAP. Puis, on construit le modèle de simulation MSI, au moyen du modèle de neurones artificiels RNA optimisé (appris) et d'une couche additionnelle, appelée couche additionnelle de conservation RNC.
Selon un mode de réalisation, on peut optimiser les poids synaptiques du réseau de neurones artificiels après l'ajout de la couche additionnelle de conservation au moyen des données de la base d'apprentissage. Autrement dit, on applique l'apprentissage à l'ensemble du modèle formé du réseau de neurone artificiels et de la couche additionnelle de conservation. Ainsi, le modèle de simulation peut être optimisé en prenant en compte des données de la base d'apprentissage.
La figure 2 illustre, schématiquement et de manière non limitative, les étapes du procédé de ce mode de réalisation. On construit un réseau de neurones artificiels RNA, et la couche additionnelle de conservation RNC. Puis, à partir d'une base d'apprentissage BAP, on optimise OPT (apprentissage) le réseau de neurones artificiels RNA simultanément avec la couche additionnelle de conservation RNC de manière à construire le modèle de simulation MSI. Ainsi, lors de cette étape d'optimisation, une mise à jour des poids synaptiques du réseau de neurones artificiels avec la couche additionnelle de conservation RNC est mise en oeuvre à partir de la base de données d'apprentissage BAP.
En outre, l'invention concerne un procédé de simulation numérique d'au moins une réaction chimique entre plusieurs espèces chimiques au sein d'un système réactif. Un tel procédé de simulation numérique correspond à un procédé de prédiction des espèces chimiques lors d'une réaction chimique au sein d'un système réactif. Le procédé de simulation met en oeuvre le procédé de construction du modèle selon l'une quelconque des variantes ou des combinaisons de variantes décrites dans la présente demande, et une étape d'application du modèle de simulation à des données d'entrée de simulation. La simulation numérique génère alors des données de sortie de simulation.
Les données d'entrée de simulation et les données de sortie de simulation sont de même nature que les données d'entrée et de sortie de la base d'apprentissage. En d'autres termes, les données d'entrée et de sortie de simulation sont représentatives des fractions massiques des espèces chimiques respectivement en entrée et en sortie du système réactif simulé.
La notion d'entrée et de sortie de simulation peut correspondre à l'une des définitions suivantes : d'une part à une entrée et une sortie physique d'un système (avant et après une réaction chimique), d'autre part à l'évolution du système entre deux pas de temps au cours d'une simulation numérique (avant ou après un pas de temps d'une réaction chimique).
Avantageusement, les données d'entrée de simulation peuvent correspondre aux fractions massiques des espèces chimiques.
Selon un mode de réalisation, les données de sortie de simulation peuvent correspondre aux fractions massiques des espèces chimiques.
En variante, les données de sortie de simulation peuvent correspondre aux variations de fractions massiques des espèces chimiques.
Les données d'entrée de simulation peuvent être obtenues expérimentalement, ou peuvent être obtenues par simulation.
Ainsi, le procédé de simulation comprend les étapes suivantes :
1. Construction d'un modèle intermédiaire (réseau de neurones artificiels) 2. Construction du modèle de simulation
3. Application du modèle de simulation
Ces étapes peuvent être mises en oeuvre par des moyens informatiques, comprenant notamment un ordinateur ou un serveur. De préférence, les étapes 1 et 2 peuvent être mises en oeuvre au préalable une seule fois, et l'étape 3 peut être répétée avec le modèle de simulation. Ces étapes sont détaillées dans la suite de la description.
La figure 3 illustre, schématiquement et de manière non limitative, les étapes du procédé de simulation numérique selon un premier mode de réalisation de l'invention. A partir d'une base d'apprentissage BAP, on forme un modèle intermédiaire au moyen d'un réseau de neurones artificiels RNA et d'une optimisation OPT du réseau de neurones artificiels RNA. Cette étape d'optimisation permet de déterminer les poids synaptiques du réseau de neurones artificiels RNA en fonction des données de la base d'apprentissage BAP. Puis on construit le modèle de simulation MSI, au moyen du modèle de neurones artificiels RNA optimisé et d'une couche additionnelle de conservation RNC. Ensuite, on applique SIM le modèle de simulation MSI, à des données d'entrée de simulation DES pour déterminer des données de sortie de simulation DSS.
La figure 4 illustre, schématiquement et de manière non limitative, les étapes du procédé de simulation numérique selon un deuxième mode de réalisation de l'invention. Ce deuxième mode de réalisation du procédé de simulation numérique met en oeuvre le deuxième mode de réalisation du procédé de construction du modèle de simulation de la figure 2. On construit un réseau de neurones artificiels RNA, et la couche additionnelle de conservation RNC. Puis, à partir d'une base d'apprentissage BAP, on optimise OPT le réseau de neurones artificiels RNA simultanément avec la couche additionnelle de conservation RNC de manière à construire le modèle de simulation MSI. Ainsi, lors de cette étape d'optimisation, une mise à jour des poids synaptiques du réseau de neurones artificiels avec la couche additionnelle de conservation RNC est mise en oeuvre à partir de la base de données d'apprentissage BAP. Ensuite, on applique SIM le modèle de simulation MSI, à des données d'entrée de simulation DES pour déterminer des données de sortie de simulation DSS.
Conformément à une mise en oeuvre de l'invention, pour lequel on réalise une simulation pour une pluralité de pas de temps successifs (c'est-à-dire pour plusieurs étapes intermédiaires de la réactions chimiques), on peut réitérer plusieurs fois l'étape de l'application du modèle de simulation, et, à chaque réitération, les données d'entrée de simulation peuvent être les données de sortie de simulation du pas de temps précédent. Ainsi, on peut simuler pas à pas une réaction chimique, de manière précise et robuste.
La figure 5 illustre, schématiquement et de manière non limitative, les étapes du procédé de simulation numérique selon un troisième mode de réalisation de l'invention. Ce troisième mode de réalisation du procédé de simulation numérique met en oeuvre le deuxième mode de réalisation du procédé de construction du modèle de simulation de la figure 2. On construit un réseau de neurones artificiels RNA, et la couche additionnelle de conservation RNC. Puis, à partir d'une base d'apprentissage BAP, on optimise OPT le réseau de neurones artificiels RNA simultanément avec la couche additionnelle de conservation RNC de manière à construire le modèle de simulation MSI. Ainsi, lors de cette étape d'optimisation, une mise à jour des poids synaptiques du réseau de neurones artificiels avec la couche additionnelle de conservation RNC est mise en oeuvre à partir de la base de données d'apprentissage BAP. Ensuite, on applique SIM le modèle de simulation MSI, à des données d'entrée de simulation DES pour déterminer des données de sortie de simulation DSS. Puis, on réitère l'étape de simulation pour de nouvelles données d'entrée de simulation, qui correspondent aux données de sortie de simulation du pas de temps précédent.
1 . Construction du modèle intermédiaire
Lors de cette étape, on construit un modèle intermédiaire au moyen d'un réseau de neurones artificiels (de l'anglais « artificial neural network »). Le modèle est dit intermédiaire, car il ne s'agit pas du modèle de simulation obtenu par le procédé : ce modèle intermédiaire est modifié à l'étape 2. Le réseau de neurones artificiels permet d'obtenir un modèle permettant une évaluation rapide des données de données de sortie, et avec un besoin en mémoire informatique limité, en particulier plus rapide qu'un modèle numérique complexe représentatif de la réaction chimique. De plus, le réseau de neurones artificiels est adapté pour les réactions chimiques complexes, en particulier faisant appel à un grand nombres d'espèces chimiques. En effet, les simulations de ces systèmes complexes peuvent nécessiter des moyens informatiques importants, en particulier en termes de mémoire, et des temps de simulation élevés. Un réseau de neurones artificiels est un algorithme dont les paramètres sont optimisés à l'aide d'une base de données dites d'entrainement issue de la base d'apprentissage, qui contient les couples entrées/sorties d'apprentissage. Une fois ce réseau entraîné sur des données, il peut ensuite être utilisé afin de réaliser des inférences sur des entrées jamais vues auparavant. Le réseau de neurones artificiels comprend une couche d'entrée, au moins une couche cachée et une couche de sortie. La couche d'entrée et la couche de sortie comportent un nombre de neurones qui correspond au nombre d'espèces chimiques de la réaction chimique. La construction du réseau de neurones artificiels est mise en oeuvre au moyen de la base d'apprentissage. En d'autres termes, les poids synaptiques du réseau de neurones sont appris de manière supervisée pour correspondre aux données d'entrée et de sortie de la base d'apprentissage. Ainsi formé, le modèle intermédiaire permet de déterminer des données de sortie à partir de données d'entrée, en étant représentatif des données de la base d'apprentissage. Les entrées du modèle intermédiaire sont de même nature que les données d'entrée de la base d'apprentissage, et les sorties du modèle intermédiaire sont de même nature que les données de sortie de la base d'apprentissage.
Le réseau de neurones artificiels peut être de toute forme par exemple un réseau de neurones profond (de l'anglais « deep neural network »), un réseau de neurones récurrent, un réseau de neurones Perceptron multi couches, etc.
La construction du modèle intermédiaire peut comporter une étape de validation du réseau de neurones artificiels, notamment pour éviter les problématiques de surapprentissage. La validation peut être mise en oeuvre au moyen d'une partie des données de la base d'apprentissage.
2. Construction du modèle de simulation
Lors de cette étape, on construit le modèle de simulation au moyen du modèle intermédiaire construit à l'étape 1 et d'une couche additionnelle, appelée couche additionnelle de conservation. La couche additionnelle de conservation est ajoutée après la couche de sortie du réseau de neurones artificiels. La couche additionnelle de conservation est formée par un opérateur linéaire pour la conservation de la masse des éléments chimiques présents dans la réaction chimique. En d'autres termes, le modèle de simulation comprend la couche d'entrée, l'au moins une couche cachée et la couche de sortie du réseau de neurones artificiels, la couche additionnelle de conservation. Ainsi, la couche additionnelle de conservation permet de vérifier la conservation de la masse des éléments chimiques au sein même du modèle de simulation, ce qui rend le modèle de simulation plus précis. De plus, la linéarité de la couche additionnelle de conservation permet de conserver les avantages du réseau de neurones artificiels : simulation de systèmes complexes avec une mémoire informatique limitée et un temps de calcul limité. La couche additionnelle de conservation comprend un nombre d'entrées et un nombre de sorties qui correspondent au nombre d'espèces chimiques de la réaction chimique. En sortie de la couche additionnelle de conservation, et par conséquent en sortie du modèle de simulation, sont déterminées des données représentatives des fractions massiques des espèces chimiques de la réaction chimique. Une fois déterminée, la couche additionnelle de conservation est statique et constante. En d'autres termes, la couche additionnelle de conservation n'est pas modifiée.
Selon un aspect de l'invention, on peut construire la couche additionnelle de conservation au moyen d'une étape de calcul de la correction linéaire et une étape d'application de la correction linéaire calculée.
Pour ce mode de réalisation, dans le cas pour lequel le nombre d'espèces chimiques est supérieur au nombre d'éléments chimiques, on peut appliquer l'étape de correction pour un nombre d'espèces chimiques qui correspond au nombre d'éléments chimiques. De préférence, les espèces chimiques choisies peuvent contenir au moins une fois chaque atome présent dans le mélange. Ainsi, on peut éviter une sous-détermination du problème.
Selon un mode de réalisation pour lequel les données d'entrée et les données de sortie sont normalisées, ces deux étapes (correction et application de la correction) peuvent être précédées d'une étape d'inversion de la normalisation, et peuvent être suivies d'une étape de normalisation.
Ces deux étapes (correction et application de la correction) sont détaillées dans la suite de la description.
Dans la suite de la description, on considère un mélange d'espèces chimiques numérotées 1 , ...,Ns , et décrit par la fraction massique Yk de chacune de ces espèces. La fraction massique est définie par Yk = mk/m où mk est la masse de l'espèce k dans le mélange et m la masse totale du mélange. On considère que les espèces chimiques réagissent entre elles, en excluant les réactions de type nucléaires. Par conséquent, la masse de chaque atome composant les molécules du mélange est conservée entre l'état d'entrée et l'état de sortie. Pour la suite de la description, un état chimique d'entrée est noté in et la sortie correspondante out. Les fractions massiques correspondantes sont respectivement notées et . Le passage entre l'entrée et la sortie implique un certain nombre de réactions chimiques entre ces espèces.
On note j un atome (un élément chimique) quelconque présent dans le mélange (par exemple : j = 0,H, C,N dans le cas d'un système impliquant des réactions de combustion). On suppose qu'il y a Na atomes distincts dans le mélange. La fraction Yj correspond à la masse de l'atome j rapportée à la masse totale du mélange. Cette fraction massique peut s'écrire à partir des fractions massiques d'espèces de la manière suivante :
Figure imgf000014_0001
Où Mk correspond à la masse molaire de l'espèce chimique k, est le nombre d'atomes j
Figure imgf000014_0007
présent dans la molécule de l'espèce chimique k et Mj correspond à la masse molaire de l'atome j. Cette relation peut s'écrire de façon matricielle en posant le vecteur
Figure imgf000014_0008
contenant les fractions massiques d'atomes et le vecteur des fractions massiques
Figure imgf000014_0009
des espèces chimiques. On peut alors écrire :
Figure imgf000014_0010
Avec : M = (mjk) tel que
Figure imgf000014_0002
La conservation de la masse des atomes entre l'entrée et la sortie donne la propriété suivante, qui peut s'écrire pour tout atome j présent dans le mélange :
Figure imgf000014_0003
Soit en version matricielle :
Figure imgf000014_0004
On note g le vecteur de sortie du réseau de neurones artificiels. Ce mode de réalisation consiste à corriger le vecteur g afin de satisfaire la relation précédente. La correction peut être écrite en ajoutant un terme a priori à déterminer, noté α:
Figure imgf000014_0005
Avec s un vecteur permettant de corriger le vecteur g. L'équation précédente devient :
Figure imgf000014_0011
Figure imgf000014_0006
Cette équation est un système linéaire avec pour inconnues
Figure imgf000014_0012
. Dans la mesure où
Figure imgf000014_0013
, ce système contient Ns inconnues et Na équations. En règle générale, le nombre d'atomes est bien inférieur au nombre d'espèces ( Na « Ns), et le système est donc sous-déterminé. Afin de lever la sous-détermination, un ensemble de Na espèces chimiques parmi les Ns présentes dans le mélange peut être extrait. Il est préférable que ces espèces contiennent au moins une fois chaque atome présent dans le mélange. On note les indices de
Figure imgf000015_0005
ces espèces. On suppose que et ak = 0 sinon (en d'autres termes,
Figure imgf000015_0006
pour cette mise en oeuvre, une correction peut être apportée pour les espèces chimiques sélectionnées, et aucune correction est apportée pour les autres espèces de la réaction chimique). Un nouveau vecteur de correction peut être ainsi défini :
Figure imgf000015_0001
Le système d'équations devient alors :
Figure imgf000015_0002
Où M' correspond à la sous-matrice de M contenant uniquement les colonnes correspondant aux espèces . Nous avons alors M . De plus, si chaque
Figure imgf000015_0007
Figure imgf000015_0008
atome est représenté dans les espèces sélectionnées, il est possible de montrer que le système est inversible. La solution est alors notée :
Figure imgf000015_0003
Ainsi, par ce calcul, on détermine la correction. Puis, en appliquant cette correction aux espèces sélectionnées, la conservation exacte des atomes est garantie. Cette application de la correction peut s'écrire pour chaque espèces chimique k :
Figure imgf000015_0004
Conformément à une mise en oeuvre de l'invention (correspondant à la figure 2), une modification du réseau de neurones, en l'occurrence une modification des poids synaptiques, peut être réalisée après l'application de la correction. Ainsi, cette correction étant appliquée à l'intérieur du réseau de neurones, les paramètres de l'au moins une couche cachée en amont peuvent être ajustés de manière que la sortie soit bien prédite, et ce malgré le fait qu'un ensemble arbitrairement choisi d'espèces est sélectionné pour corriger la masse des atomes.
La figure 6 illustre, schématiquement et de manière non limitative, la construction du modèle de simulation selon un mode de réalisation de l'invention. Dans un premier temps, on construit le réseau de neurones artificiels RNA. Le réseau de neurones artificiels RNA comprend une couche d'entrée CE, pour laquelle les fractions massiques des espèces chimiques
Figure imgf000016_0001
constituent les données d'entrée. Le réseau de neurones artificiels RNA comprend au moins une couche cachée CC. Le réseau de neurones artificiels RNA comprend en outre une couche de sortie CS, pour laquelle des fractions massiques des espèces chimiques g1, ..., gNs constituent les données de sortie. Les couches du réseau de neurones artificiels RNA comportent une pluralité de neurones artificiels NA, représentés par des cercles. A chaque neurone artificiel NA est associé un poids synaptique. De plus, le modèle de simulation RNC comprend en outre une couche additionnelle de conservation Lc qui détermine la correction linéaire des données de sortie g1,...,gNs du réseau de neurones artificiels RNA pour déterminer les fractions massiques des espèces chimiques
Figure imgf000016_0004
en sortie, tout en assurant la conservation de la masse des éléments chimiques. Pour le mode de réalisation de la figure 6, pour lequel les données de sortie sont des
Figure imgf000016_0005
fractions massiques, la couche additionnelle de conservation Lc prend en compte les données d'entrée .
Figure imgf000016_0002
La figure 7 est une figure similaire à la figure 6, dans le cas où les données de sortie sont des variations de la fraction massique des espèces chimiques w1 ..., wNs avec
Figure imgf000016_0006
. Les éléments identiques à la figure 6 ne sont pas détaillés à nouveau. Pour ce mode de réalisation, la couche additionnelle de conservation Lc n'a pas besoin de prendre en compte les données d'entrée
Figure imgf000016_0003
3. Application du modèle de simulation
Cette étape concerne uniquement le procédé de simulation numérique d'au moins une réaction chimique. Lors de cette étape, on applique le modèle de simulation construit à l'étape 2 à des données d'entrée de simulation. En d'autres termes, on simule la cinétique chimique de la réaction chimique à partir de données d'entrée de simulation et du modèle de simulation. Il peut s'agir d'une simulation pour l'ensemble de la réaction chimique ou pour un pas de temps de la réaction chimique.
Conformément à une mise en oeuvre de l'invention, pour lequel on réalise une simulation pour une pluralité de pas de temps successifs (c'est-à-dire pour plusieurs étapes intermédiaires de la réaction chimique), on peut réitérer plusieurs fois l'étape de l'application du modèle de simulation, et, à chaque réitération, les données d'entrée de simulation peuvent être les données de sortie de simulation du pas de temps précédent. Ainsi, on peut simuler pas à pas une réaction chimique, de manière précise et robuste. Cette mise en oeuvre correspond à celle illustrée en figure 5. La réaction chimique peut être une réaction chimique du domaine de la mécanique des fluides réactifs. Dans ce cas, les espèces chimiques peuvent être des liquides ou des gaz.
Selon un premier exemple de mise en oeuvre, l'invention peut concerner une réaction chimique d'une combustion, en particulier au sein d'un moteur à combustion, d'une turbine, ou tout système analogue. En effet, les procédés selon l'invention peuvent permettre de modéliser des systèmes complexes avec de nombreuses espèces chimiques.
Selon un deuxième exemple de mise en oeuvre, l'invention peut concerner une réaction chimique au sein d'un système de stockage et de fourniture d'énergie, en particulier au sein d'une batterie électrique ou d'une pile à combustible. En effet, les procédés selon l'invention peuvent permettre de modéliser des systèmes complexes avec de nombreuses espèces chimiques.
Selon un troisième exemple de mise en oeuvre, l'invention peut concerner une réaction chimique de catalyse, en particulier une catalyse au sein d'un système de post-traitement de gaz d'échappement, ou une catalyse mise en oeuvre dans le domaine de la production des hydrocarbures. En effet, les procédés selon l'invention peuvent permettre de modéliser des systèmes complexes avec de nombreuses espèces chimiques.
Selon un quatrième exemple l'invention peut concerner une réaction chimique propre aux écoulements de fluide en milieu poreux, en particulier une réaction de précipitation ou de dissolution d'un ou plusieurs minéraux. En effet, les procédés selon l'invention peuvent permettre de modéliser des systèmes complexes avec de nombreuses espèces chimiques.
De plus, l'invention concerne un simulateur numérique de réaction chimique mettant en oeuvre le modèle de simulation construit par le procédé selon l'une des variantes ou des combinaisons de variantes du procédé selon l'invention. Le simulateur numérique met en oeuvre des données d'entrée de simulation pour déterminer des données de sortie de simulation. Les données d'entrée de simulation et les données de sortie de simulation sont représentatives des fractions massiques des espèces chimiques de la réaction chimique.
En outre, l'invention concerne un procédé de conception d'un système réactif, dans lequel se déroule au moins une réaction chimique, dans lequel on met en oeuvre les étapes suivantes : - On simule numériquement la réaction chimique dans le système réactif au moyen du procédé de simulation selon l'une quelconque des variantes ou des combinaisons de variantes précédemment décrites, et - On conçoit le système réactif, et on met en oeuvre la réaction chimique dans le système réactif.
Pour ce procédé de conception, on peut réaliser une pluralité de simulations numériques, pour une pluralité de réactions chimiques (par exemple en modifiant les espèces chimiques initialement présentes) et/ou pour une pluralité de systèmes réactifs (par exemple pour plusieurs dimensions ou formes de systèmes réactifs). La comparaison des simulations permet de déterminer la réaction chimique et/ou le système réactif à concevoir.
La présente invention peut également concerner un procédé de contrôle d'un système réactif, dans lequel se déroule au moins une réaction chimique, et dans lequel on met en oeuvre les étapes suivantes : - On simule numériquement la réaction chimique dans le système réactif au moyen du procédé de simulation selon l'une quelconque des variantes ou des combinaisons de variantes précédemment décrites, et - On contrôle le système réactif, de préférence en temps réel, en fonction de la réaction chimique simulée, notamment pour éviter les situations dangereuses, ou non adaptées à l'utilisation souhaitée.
De préférence, pour le contrôle du système réactif, on peut mesurer en temps réel des données, qui servent de données d'entrée de la simulation.
Pour l'exemple d'une combustion, le contrôle peut consister au contrôle de la quantité d'air ou de combustible dans la chambre de combustion. Le but de ce contrôle pouvant être la limitation des émissions polluantes, ou d'éviter le phénomène de cliquetis, etc.
Pour l'exemple d'une batterie électrique, le contrôle peut correspondre au contrôle de la tension ou de la courant, notamment pour limiter une surchauffe ou un vieillissement prématuré de la batterie électrique.
Pour l'exemple d'une pile à combustible, le contrôle peut notamment correspondre au contrôle de l'admission d'air, pour optimiser la cinétique chimique au sein de la pile à combustible, de manière à augmenter les performances de celle-ci. Les caractéristiques et avantages du procédé selon l'invention apparaîtront plus clairement à la lecture de l'exemple comparatif ci-après.
Afin d'illustrer l'invention, un exemple est donné dans cette partie. On considère ici l'utilisation des réseaux de neurones dans un contexte de simulation numérique d'une combustion. L'idée est de remplacer un algorithme de résolution exacte par un réseau de neurones équivalent. En particulier, le réseau de neurones prend en entrée des fractions massiques à un instant t de la simulation (état in dans la description de la méthode ci- dessus) et évalue les fractions massiques à un instant t + dt (état out ). Cela est effectué de manière itérative pour tk = kdt, k ∈ [0 , Nite] , où Nite est le nombre total d'itérations de la simulation.
Le cas considéré ici est un cas de combustion de méthane à pression constante, où les atomes généralement présents sont le carbone (C), l'hydrogène (H), l'oxygène (O) et l'azote (N).
Pour cet exemple comparatif, on compare un procédé selon l'art antérieur mettant en oeuvre un réseau de neurones artificiels (sans couche additionnelle de conservation) et un procédé selon l'invention mettant en oeuvre un réseau de neurones artificiels avec une couche additionnelle de conservation. Pour les deux simulations, la base d'apprentissage est la même, et le nombre de couches ainsi que le nombre de neurones du réseau de neurones artificiels sont les mêmes. Plus particulièrement, le réseau de neurones sélectionné est un réseau de type Perceptron multi couches (de l'anglais « Multi-Layer Perceptron ») qui comporte deux couches cachées avec 64 unités chacune. La base de données est constituée de simulations de la combustion de mélanges H2/air pour différentes températures initiales T0 et richesses Φ . Mille simulations sont sélectionnées dans la base d'apprentissage, à l'aide d'un algorithme d'échantillonnage par hybercube latin (de l'anglais « Latin Hypercube Sampling »). Cet échantillonnage est réalisé pour des valeurs de T0 entre 1600 K (environ 1326 °C) et 1800K (environ 1526 °C), et des valeurs de richesses entre 0.7 et 1.5. L'optimisation des poids du réseau est réalisée à l'aide d'une méthode de descente de gradient.
La figure 8 illustre les courbes du procédé selon l'art antérieur, en fonction du temps t en ms, de la fraction massique du carbone Yc normalisée (en haut à gauche), de la fraction massique de l'hydrogène YH normalisée (en haut à droite), de la fraction massique de l'oxygène Yo normalisée (en bas à gauche), et de la fraction massique de l'azote YN normalisée (en bas à droite). On remarque pour ces figures que les courbes de la fraction massique du carbone et de l'hydrogène ne sont pas constants dans le temps. Par conséquent, le réseau de neurones artificiels selon l'art antérieur ne permet pas de garantir la conservation de la masse des atomes de carbone et des atomes d'hydrogène, alors que la conservation des masses d'atomes au cours de la simulation est un point critique. En effet, une déviation de la masse à un instant donné peut se répercuter de façon négative sur le reste de la simulation, et rendre la simulation imprécise.
La figure 9 illustre les courbes du procédé selon l'invention (avec la couche additionnelle de conservation), en fonction du temps t en ms, de la fraction massique du carbone Yc normalisée (en haut à gauche), de la fraction massique de l'hydrogène YH normalisée (en haut à droite), de la fraction massique de l'oxygène YO normalisée (en bas à gauche), et de la fraction massique de l'azote YN normalisée (en bas à droite). On remarque que les quatre courbes sont constantes dans le temps. Par conséquent, l'utilisation de la couche Lc selon l'invention permet la conservation de la masse des atomes, et par conséquent une meilleure précision et une meilleure robustesse du modèle de simulation.

Claims

Revendications
1. Procédé de construction d'un modèle de simulation (MSI) d'au moins une réaction chimique entre plusieurs espèces chimiques au sein d'un système réactif, au moyen d'une base d'apprentissage (BAP), ladite base d'apprentissage (BAP) comprenant des données d'entrée d'apprentissage et des données de sortie d'apprentissage de ladite réaction chimique, lesdites données d'entrées d'apprentissage et de sortie d'apprentissage étant représentatives des fractions massiques desdites espèces chimiques respectivement en entrée et en sortie de ladite réaction chimique, caractérisé en ce qu'on met en oeuvre les étapes suivantes : a. On construit un modèle intermédiaire dudit modèle de simulation au moyen d'un réseau de neurones artificiels (RNA), qui comporte une couche d'entrée (CE), au moins une couche cachée (CC) et une couche de sortie (CS), la construction dudit modèle intermédiaire étant mise en oeuvre au moyen de ladite base d'apprentissage (BAP) ; et b. On construit ledit modèle de simulation (MSI) au moyen dudit modèle intermédiaire et d'une couche additionnelle (RNC) mise en oeuvre après ladite couche de sortie dudit réseau de neurones, ladite couche additionnelle (RNC) étant formée par un opérateur linéaire qui applique une correction linéaire aux données de sortie de ladite couche de sortie (CS) dudit réseau de neurones artificiels (RNC) pour assurer la conservation de la masse des éléments chimiques formant lesdites espèces chimiques mises en oeuvre dans ladite réaction chimique.
2. Procédé de construction d'un modèle de simulation selon la revendication 1 , dans lequel on construit ladite couche additionnelle (RNC) au moyen d'une étape de calcul de correction linéaire et une étape d'application de ladite correction linéaire calculée.
3. Procédé de construction d'un modèle de simulation selon la revendication 2, dans lequel on calcule la correction linéaire pour un nombre d'espèces chimiques de ladite réaction chimique correspondant au nombre d'éléments chimiques de ladite réaction chimique.
4. Procédé de construction d'un modèle de simulation selon l'une des revendications précédentes, dans lequel on optimise (OPT) des poids synaptiques du réseau de neurones artificiels après l'ajout de la couche additionnelle au moyen des données d'entrée et de sortie de la base d'apprentissage.
5. Procédé de construction d'un modèle de simulation selon l'une des revendications précédentes, dans lequel lesdites données d'entrée et de sortie sont déterminées respectivement avant et après ladite réaction chimique, ou respectivement avant et après un pas de temps de ladite réaction chimique.
6. Procédé de construction d'un modèle de simulation selon l'une des revendications précédentes, dans lequel lesdites données d'entrée sont des fractions massiques desdites espèces chimiques.
7. Procédé de construction d'un modèle de simulation selon l'une des revendications précédentes, dans lequel lesdites données de sortie sont des fractions massiques desdites espèces chimiques ou des variations des fractions massiques desdites espèces chimiques.
8. Procédé de simulation d'au moins une réaction chimique entre plusieurs espèces chimiques au sein d'un système réactif, caractérisé en ce qu'on met en oeuvre les étapes suivantes : a. On construit un modèle de simulation (MSI) au moyen du procédé de construction d'un modèle de simulation selon l'une des revendications précédentes ; et b. On applique ledit modèle de simulation (SIM) à des données d'entrée de simulation (DES), lesdites données d'entrée de simulation étant représentatives desdites fractions massiques desdites espèces chimiques en entrée de ladite réaction chimique.
9. Procédé de simulation selon la revendication 8, dans lequel ledit modèle de simulation (MSI) est construit pour un pas de temps, et dans lequel on réitère l'étape d'application dudit modèle de simulation (MSI) pour une pluralité de pas de temps successifs, et à chaque réitération, lesdites données d'entrée de simulation (DES) sont les données de sortie de simulation (DSS) du pas de temps précédent.
10. Procédé de simulation selon l'une des revendications 8 ou 9, dans lequel ladite réaction chimique est une réaction chimique au sein d'un système de conversion énergétique, par exemple une combustion au sein d'un moteur ou une réaction chimique au sein d'une batterie électrique, ou une réaction chimique au sein d'une pile à combustible, ou une réaction chimique au sein d'un système de transport desdites espèces chimiques.
PCT/EP2022/060739 2021-05-05 2022-04-22 Procede de construction d'un modele de simulation d'une reaction chimique WO2022233602A1 (fr)

Priority Applications (3)

Application Number Priority Date Filing Date Title
JP2023566838A JP2024517767A (ja) 2021-05-05 2022-04-22 化学反応のシミュレーションモデルを構築する方法
EP22724743.4A EP4334949A1 (fr) 2021-05-05 2022-04-22 Procede de construction d'un modele de simulation d'une reaction chimique
CA3213684A CA3213684A1 (fr) 2021-05-05 2022-04-22 Procede de construction d'un modele de simulation d'une reaction chimique

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
FR2104735A FR3122767A1 (fr) 2021-05-05 2021-05-05 Procédé de construction d’un modèle de simulation d’une réaction chimique
FRFR2104735 2021-05-05

Publications (1)

Publication Number Publication Date
WO2022233602A1 true WO2022233602A1 (fr) 2022-11-10

Family

ID=77411771

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/EP2022/060739 WO2022233602A1 (fr) 2021-05-05 2022-04-22 Procede de construction d'un modele de simulation d'une reaction chimique

Country Status (5)

Country Link
EP (1) EP4334949A1 (fr)
JP (1) JP2024517767A (fr)
CA (1) CA3213684A1 (fr)
FR (1) FR3122767A1 (fr)
WO (1) WO2022233602A1 (fr)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116052789A (zh) * 2023-03-29 2023-05-02 河北大景大搪化工设备有限公司 一种基于深度学习的甲苯氯化参数自动优化系统

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109918702A (zh) 2019-01-03 2019-06-21 上海交通大学 一种高炉配料与操作的协同多目标优化方法
WO2020176914A1 (fr) 2019-03-01 2020-09-10 Avl List Gmbh Procédé et système de commande et/ou de régulation d'au moins un composant de post-traitement de gaz d'echappement

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109918702A (zh) 2019-01-03 2019-06-21 上海交通大学 一种高炉配料与操作的协同多目标优化方法
WO2020176914A1 (fr) 2019-03-01 2020-09-10 Avl List Gmbh Procédé et système de commande et/ou de régulation d'au moins un composant de post-traitement de gaz d'echappement

Non-Patent Citations (8)

* Cited by examiner, † Cited by third party
Title
AN JIAN ET AL: "Artificial neural network based chemical mechanisms for computationally efficient modeling of hydrogen/carbon monoxide/kerosene combustion", INTERNATIONAL JOURNAL OF HYDROGEN ENERGY, ELSEVIER, AMSTERDAM, NL, vol. 45, no. 53, 1 September 2020 (2020-09-01), pages 29594 - 29605, XP086301122, ISSN: 0360-3199, [retrieved on 20200901], DOI: 10.1016/J.IJHYDENE.2020.08.081 *
BEUCLER TOM ET AL: "Enforcing Analytic Constraints in Neural Networks Emulating Physical Systems", PHYSICAL REVIEW LETTERS, vol. 126, no. 9, 4 March 2021 (2021-03-04), US, XP055864303, ISSN: 0031-9007, DOI: 10.1103/PhysRevLett.126.098302 *
DALAKOTI DEEPAK K ET AL: "An a priori evaluation of a principal component and artificial neural network based combustion model in diesel engine conditions", PROCEEDINGS OF THE COMBUSTION INSTITUTE, ELSEVIER, NL, vol. 38, no. 2, 29 August 2020 (2020-08-29), pages 2701 - 2709, XP086533234, ISSN: 1540-7489, [retrieved on 20200829], DOI: 10.1016/J.PROCI.2020.06.263 *
HENDRICKS ET AL.: "LINEARLY CONSTRAINED NEURAL NETWORKS", ARXIV :2002.01600, 2020
MAGIERA JIM ET AL: "Constraint-aware neural networks for Riemann problems", JOURNAL OF COMPUTATIONAL PHYSICS, LONDON, GB, vol. 409, 21 February 2020 (2020-02-21), XP086122636, ISSN: 0021-9991, [retrieved on 20200221], DOI: 10.1016/J.JCP.2020.109345 *
MOHAN ET AL.: "EMBEDDING HARD PHYSICAL CONSTRAINTS IN NEURAL NETWORK COARSE-GRAINING OF 3D TURBULENCE", ARXIV:2002.00021, 2020
SHIVAM BARWEY ET AL: "A Neural Network Inspired Formulation of Chemical Kinetics", ARXIV.ORG, CORNELL UNIVERSITY LIBRARY, 201 OLIN LIBRARY CORNELL UNIVERSITY ITHACA, NY 14853, 1 August 2020 (2020-08-01), XP081744177 *
ZANDER HANS-JÖRG ET AL: "Dynamic Modeling of Chemical Reaction Systems with Neural Networks and Hybrid Models", CHEMICAL ENGINEERING & TECHNOLOGY, vol. 22, no. 7, 8 July 1999 (1999-07-08), pages 571 - 574, XP055865390, ISSN: 0930-7516, DOI: 10.1002/(SICI)1521-4125(199907)22:7<571::AID-CEAT571>3.0.CO;2-5 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116052789A (zh) * 2023-03-29 2023-05-02 河北大景大搪化工设备有限公司 一种基于深度学习的甲苯氯化参数自动优化系统
CN116052789B (zh) * 2023-03-29 2023-09-15 河北大景大搪化工设备有限公司 一种基于深度学习的甲苯氯化参数自动优化系统

Also Published As

Publication number Publication date
EP4334949A1 (fr) 2024-03-13
CA3213684A1 (fr) 2022-11-10
FR3122767A1 (fr) 2022-11-11
JP2024517767A (ja) 2024-04-23

Similar Documents

Publication Publication Date Title
CN111209708B (zh) 基于机器学习的桩-土相互作用预测分析方法
Mamun et al. A Bayesian framework for adsorption energy prediction on bimetallic alloy catalysts
Wang et al. A two‐layer ensemble learning framework for data‐driven soft sensor of the diesel attributes in an industrial hydrocracking process
Pulga et al. A machine learning methodology for improving the accuracy of laminar flame simulations with reduced chemical kinetics mechanisms
WO2022233602A1 (fr) Procede de construction d&#39;un modele de simulation d&#39;une reaction chimique
EP1462605B1 (fr) Méthode de pseudoisation et d&#39;éclatement pour décrire des fluides hydrocarbones
Brevault et al. Aerospace system analysis and optimization in uncertainty
EP3877912A1 (fr) Procédé de construction de réseau de neurones pour la simulation de systèmes physiques
CN113241132B (zh) 一种材料辐照损伤预测机器学习模型的建立方法和系统
Huang et al. Globally optimized machine-learning framework for CO2-hydrocarbon minimum miscibility pressure calculations
El Hadef et al. Neural model for real-time engine volumetric efficiency estimation
Langeroudy et al. Enhanced intelligent approach for determination of crude oil viscosity at reservoir conditions
Rao et al. Computational analysis of performances for a hydrogen enriched compressed natural gas engine’by advanced machine learning algorithms
Peiro Ahmady Langeroudy et al. Enhanced intelligent approach for determination of crude oil viscosity at reservoir conditions
Nguyen et al. Evaluating causal‐based feature selection for fuel property prediction models
Lee et al. Proposal of a methodology for designing engine operating variables using predicted NOx emissions based on deep neural networks
Ghude et al. Exploring Hydrogen Storage Capacity in Metal‐Organic Frameworks: A Bayesian Optimization Approach
Jerinkić et al. AN-SPS: Adaptive sample size nonmonotone line search spectral projected subgradient method for convex constrained optimization problems
Dinca et al. Fault detection and identification in dynamic systems with noisy data and parameter/modeling uncertainties
Incudini et al. The Quantum Path Kernel: a generalized Neural Tangent Kernel for deep quantum machine learning
Liu et al. Dielectric Polymer Genome: Integrating Valence-Aware Polarizable Reactive Force Fields and Machine Learning
Kourdis et al. Twenty‐species and 15‐species chemical kinetic mechanisms for cyclohexane using the local self‐similarity tabulation method
Chen Machine learning applied to the computation of chemical source terms in reacting flows
CN114200843B (zh) 喉栓式固体姿轨控推力快速预示方法
FR2976384A1 (fr) Procede pour la conception et la fabrication d&#39;une chaine de composants en reseau et reseau obtenu par un tel procede

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 22724743

Country of ref document: EP

Kind code of ref document: A1

ENP Entry into the national phase

Ref document number: 3213684

Country of ref document: CA

WWE Wipo information: entry into national phase

Ref document number: 18555771

Country of ref document: US

WWE Wipo information: entry into national phase

Ref document number: 2023566838

Country of ref document: JP

WWE Wipo information: entry into national phase

Ref document number: 2022724743

Country of ref document: EP

NENP Non-entry into the national phase

Ref country code: DE

ENP Entry into the national phase

Ref document number: 2022724743

Country of ref document: EP

Effective date: 20231205