.png){kind=icon}
返回
Modeling Batch Crystallization under Uncertainty Using Physics-Informed Machine Learning
.png){kind=icon}
OA
AI
DOI：10.1021/acs.iecr.6c00599.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
针对结晶过程开发稳健可靠的建模方法因真实数据中存在源自各种不确定性来源的非理想性而常具挑战性。本研究探讨了在存在系统性和模型不确定性的情况下，将机理种群平衡模型与循环神经网络相结合的物理信息循环神经网络（PIRNN）的有效性。此类不确定性通过使用包含受控噪声、溶解度漂移和有限采样的合成数据进行表征。研究表明，PIRNNs能够实现强大的泛化能力和物理一致性，保持稳定的训练行为，并在训练数据存在显著随机变化时准确恢复动力学参数。在溶解度模型存在系统性误差的情况下，引入物理正则化使测试性能相较于纯数据驱动模型提高了超过一个数量级，而过度强调物理约束则因模型不匹配而增加了误差。结果还表明，PIRNNs甚至能在极低采样分辨率的极限条件下恢复模型参数并复现结晶动态。这些发现验证了物理信息机器学习在处理数据不完美和不完整领域知识方面的稳健性，为结晶动力学和工业过程监控与控制的可靠实用混合建模提供了潜在途径。
Keyword:
Crystallization
Crystals
Machine learning
Neural networks
Solubility
期刊
I
IF:
0
论文数:
733
被引数:
0
机构
引用论文
Perspectives on the integration between first-principles and data-driven modeling关于第一性原理与数据驱动建模之间集成的观点
OAAI
.png){kind=icon}
OAAI分享收藏Physics-informed neural networks: A deep learning framework for solving forward and inverse problems involving nonlinear partial differential equations物理信息神经网络: 一种用于解决涉及非线性偏微分方程的正反问题的深度学习框架OAAI
OAAI分享收藏Evaluation of Parameter Estimation Methods for Crystallization Processes Modeled via Population Balance Equations通过人口平衡方程建模的结晶过程的参数估计方法的评估
PREAI
分享收藏分享收藏Form selection of concomitant polymorphs: A case study informed by crystallization kinetics modeling伴随多晶型物的形式选择: 通过结晶动力学模型提供的案例研究
PREAI
分享收藏
查看更多内容