.png){kind=icon}
返回
Geochemistry and machine learning: methods and benchmarking
.png){kind=icon}
OA
AI
DOI：10.1007/s12665-024-12066-3.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
得益于数值方法和计算机技术的最新进展，人工智能（AI）和机器学习方法（ML）的应用领域正以极快的速度增长。核废料管理中的地球化学领域最近开始利用ML来加速反应输运过程的数值模拟，提高多尺度与多物理场耦合的效率，以及进行不确定性量化与敏感性分析。多项案例研究表明，采用基于ML的方法可使地球化学和反应输运模拟的总体加速达到1至4个数量级。本文提出一项基准测试，旨在为开发和应用ML技术进行地球化学和反应输运模拟提供一套参考数据与模型。采用多个知名的地球化学物种分布代码，系统性地生成一套高质量的化学平衡数据集，用于训练多种ML方法。制定了两个基准测试，每个均包含多个逐步增加复杂度的级别。第一个基准测试聚焦于水泥化学，第二个则考虑了铀在黏土矿物上的吸附。随后评估了不同ML技术的数值效率与精度。观察到数个数量级的加速效果。最后分析了不同基于ML技术的优势与局限性，并加以突出说明。
Keyword:
Machine learning
Geochemistry
Nuclear waste management
Numerical methods
期刊
IF:
2.8
论文数:
1.1K
被引数:
2.7W
机构
引用论文
.png){kind=icon}
Cemdata 18: A chemical thermodynamic database for hydrated Portland cements and alkali-activated materialsCemdata 18: 水合波特兰水泥和碱活化材料的化学热力学数据库
OAAI
OAAI分享收藏DecTree: a physics-based geochemical surrogate for surface complexation of uranium on clayDecTree：一种基于物理的用于描述铀在黏土上表面络合的地球化学替代模型OAAI
OAAI分享收藏An active learning approach for improving the performance of equilibrium based chemical simulations一种改进基于平衡的化学模拟性能的主动学习方法OAAI
OAAI分享收藏
查看更多内容