Speaker
Description
Задача анализа процессов горения является одним из ключевых и перспективных направлений современной науки в области математического моделирования. Эта задача имеет большое значение в условиях стремительных технических и технологических изменений, помогая оптимизировать работу двигателей и повысить их КПД. В рамках нашего исследования мы пробуем различные подходы к моделированию химической кинетики с помощью нейронных сетей. Например, мы пробуем разные способы создания набора данных: разные начальные условия, регулярные и нерегулярные временные интервалы; Мы разрабатываем принципиально разные архитектуры: LSTM, KAN, MLP, xLSTM. Последние две архитектуры представляют наибольший интерес, поскольку они еще не были протестированы на задачах химической кинетики. В процессе работы над архитектурами было применено и протестировано несколько методов, включая BatchNorm, L2 регуляризация, байесовский подбор гиперпараметров, обучение с использованием авторегрессии и уменьшение размерности, с использованием архитектуры AutoEncoder. Нашей целью было улучшить показатели качества нейронной сети по сравнению с существующими моделями, а также сравнить скорость и затраты ресурсов с традиционными методами интегрирования жестких систем ОДУ. Использование нейронных сетей является многообещающим подходом, поскольку модели глубокого обучения успешно работают с различными данными, что помогает повысить качество моделирования горения.
Секция конференции | Методы искусственного интеллекта и машинного обучения |
---|