.png){kind=icon}
返回
Machine learning driven ReaxFF optimization for combustion
.png){kind=icon}
PRE
AI
DOI：10.1063/1674-0068/cjcp2503023.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
准确模拟燃烧反应对于理解燃烧机制至关重要。反应力场（ReaxFF）为模拟复杂燃烧过程提供了一种计算效率高的方法，但其准确性严重依赖于参数化。本研究采用机器学习驱动的方法，对气相燃烧反应的ReaxFF参数进行了全面优化。我们构建了一个包含33个反应的数据集，涵盖了燃烧中的关键反应类型。高精度双重杂化密度泛函理论（DFT）计算作为基准，用于评估各种密度泛函、半经验PM7方法和现有ReaxFF参数集的性能。随后，我们采用JAX-ReaxFF框架优化CHO2008参数，利用其高效的局部梯度优化算法。优化后的ReaxFF显著提高了势能和原子力预测的准确性，能量的平均绝对误差（MAE）接近PM7水平。反应路径和势能表面分析进一步表明，优化后的力场性能得到增强，特别是在过渡态附近。该优化后的ReaxFF为模拟各类燃烧系统提供了良好工具，而所提出的方法为开发体系特定的ReaxFF参数提供了一般策略。
Keyword:
Combustion chemistry
ReaxFF optimization
Methane combustion
Dodecane pyrolysis
Soot particle growth
期刊
IF:
1
论文数:
114
被引数:
1.2K
机构
引用论文
暂无论文信息