Representación de cinética química mediante redes neuronales artificiales para la simulación de...
-
Upload
ana-belen-de-la-fuente-macias -
Category
Documents
-
view
225 -
download
0
Transcript of Representación de cinética química mediante redes neuronales artificiales para la simulación de...
Representación de cinética química mediante redes neuronales artificiales para la
simulación de flujos turbulentos reactivos
Representación de cinética química mediante redes neuronales artificiales para la
simulación de flujos turbulentos reactivos
Dr. Javier Blasco AlbertoDr. Javier Blasco Alberto
Profesor Contratado DoctorÁrea de Mecánica de FluidosCentro Politécnico Superior
Profesor Contratado DoctorÁrea de Mecánica de FluidosCentro Politécnico Superior
Estructura de la presentaciónEstructura de la presentación
• Motivación
• Introducción a las redesneuronales artificiales
• Problema-estrategia
• Aplicaciones
• ConclusionesTrabajo futuro
Motivación Motivación
0
kk
vxt
ContinuidadContinuidad
iikki
ikk
i gxx
pvv
xv
t
Cantidad de movimientoCantidad de movimiento
N
i k
ii
ikkk
k x
Yh
Scx
h
xt
phv
xh
t 1
11
EnergíaEnergía
iikk
ikk
i SJx
Yvx
Yt
Especies químicasEspecies químicas
Simulación numérica deflujos turbulentos reactivos
Simulación numérica deflujos turbulentos reactivos
Motivación Motivación
Simulación numérica deflujos turbulentos reactivos
Simulación numérica deflujos turbulentos reactivos
•Muchas escalas temporales/espaciales (turbulencia)
•Elevados requerimientos computacionales
•Cinética química: eleva tiempo simulación
Motivación Motivación
Cinética química Cinética química
2222
22222
22
222
22
2 2
COHH0.5CO
COHOOHCOOHO
COOHCOHO
COOHHCOOH
COOH CO O H
2CO 2CO O
•Sistema ec. dif. altamente no lineal
•Muy acoplado con temperatura
•Elevado coste computacional
OHOHH
OCHCOCHHCCOO
OCHCOHCOCHO
OCHCOCHCO2CHO
COCHH2CHO
H0.5COCHCOCHHCCOCHO
2
224622
2232
22432
24232
222244232
Motivación Motivación
Cinética química Cinética química
Ejemplo
Malla computacional de CFD: 100x60
Partículas/celda (mét. Montecarlo): 200
N. total de partículas: 1.200.000
Integración numérica/part: 0.1 s
Tiempo/paso temporal: 33,3 h
TOTAL (200 pasos temp.): 277 días
Dificultades de la cinética químicaDificultades de la cinética química
– Elevado número de especies:
» Ej. CH4: 50 especies, 300 reacciones
» memoria/tiempo
– Altamente no lineal:
» Integración numérica costosa
» tiempo
DificultadesDificultades
SolucionesSoluciones
– Reducción:
» análisis escalas temporales eliminación de especies
– Precálculo:
» almacenamiento en tablas (interpolación)
Motivación Motivación
Alternativas para CQ Alternativas para CQ
• Reducción variables
• Reducción sistemática
• CARM
• ILDM
• CSP
• Precálculo
• Tabla
• Tabulación in situ
• Polinomios ortogonales
• Redes Neuronales Artificiales
Reducción sistemáticaReducción sistemática
(1) Mecanismo detallado
– Recopilar reacciones químicas elementales
(2) Mecanismo skeletal
– Eliminar reacciones/especies poco importantes
(3) Ecuaciones algebraicas
– Especies en estado estacionario
– Reacciones en equilibrio parcial
N. Peters (1987)CTR Stanford Univ. (Antes: Univ. Aachen, Alemania)
Reducción sistemáticaReducción sistemática
Inconvenientes
– Conocimiento de cinética química
– Mucho esfuerzo humano (resolver ecuaciones)
CARMCARM
• Lo mismo que lo anterior pero automatizado
– Identificación de especies/reacciones poco relevantes:simulación PSR
– Generación de ecuaciones simplificadas (combinación de las originales): automático
Computer-Assisted Reduction Mechanism
J-Y. Chen (1988)UC Berkeley
ILDMILDMIntrinsic Low-Dimensional Manifold
U. Mass (1992)Univ. Stuttgart (Alemania)
• Analiza escalas temporales del sistema de ecuaciones diferenciales
– Especies con tiempos característicos pequeños: evolucionan rápidamente a subespacio de dimensión menor
– Por tanto: representar el sistema químico sólo con las especies más lentas. P.ej. CO2, H2O.
ILDMILDMIntrinsic Low-Dimensional Manifold
CSPCSP
• Análisis numérico del sistema químico para detectar:
– Especies en estado estacionario
– Reacciones en equilibrio parcial
Computational Singular Perturbation
Lam y Goussis (1988)Princeton (EEUU) y Patra (Grecia)
Tabla de IncrementosTabla de Incrementos
• Tabla de incrementos (LUT, look-up table):
– Mallado del espacio químico
– Integración de la cinética químicaprevia a la simulación (Si)
– Durante la simulación: interpolación
x
CH4CH4
H2OH2O
• Inconvenientes métodos de almacenamiento:
– Memoria elevada (50-100 Mb) y crecimiento exponencial
– Gran parte de la tabla no se usa
– Conocimiento cinética química (mallado, rangos)
In Situ Adaptive Tabulation (ISAT)In Situ Adaptive Tabulation (ISAT)
– Crea una tabla de forma simultánea con la simulación
– En cada nodo de la tabla: matriz de derivadas
– Para puntos cercanos a un nodo: aproximación lineal
– Almacenamiento: en forma de árbol binario
S. Pope (1997)Cornell Univ.
In Situ Adaptive Tabulation (ISAT)In Situ Adaptive Tabulation (ISAT)
Descenderárbol
¿Está endominio
?
Calcular CQ- Con aprox. lineal- Con integración
¿Error aceptable
?
APROXIMAR
NUEVO NODO
AMPLIAR
sí
no
no
sí
In Situ Adaptive Tabulation (ISAT)In Situ Adaptive Tabulation (ISAT)
APROXIMAR NUEVO NODOAMPLIAR
In Situ Adaptive Tabulation (ISAT)In Situ Adaptive Tabulation (ISAT)
Inconvenientes
– La búsqueda por el árbol no es exacta
– Muchas veces se integra algo que ya existe
– El árbol crece indefinidamente
Motivación Motivación
Inconvenientes métodos CQInconvenientes métodos CQ
• Memoria RAM
• Tiempos de cálculo
• Discretización espacio químico
Motivación Motivación
SOLUCIÓNSOLUCIÓN
•Bajos requerimientos RAM
•Tiempos de cálculo razonables
•Aprenden a través de ejemplos
Ajustar la cinética química medianteredes neuronales artificiales
Ajustar la cinética química medianteredes neuronales artificiales
Motivación Motivación
¿Quién está interesado en RNA-CQ?¿Quién está interesado en RNA-CQ?
• Modelos de combustiblescomplicados: dodecano, queroseno.
Motor Airbus A300
Redes neuronales artificiales: introducciónRedes neuronales artificiales: introducción
http://cajal.unizar.es
D. Santiago Ramón y Cajal(1852-1934)
• 1888: desarrolló métodos detinción para los tejidosnerviosos (mejorandolos de Golgi)
• Demostró que la neurona esel elemento constituyentedel sistema nervioso
Premio Nobel: 1906
Redes neuronales artificiales: introducciónRedes neuronales artificiales: introducción
• ¿Qué es una red neuronal artificial?Técnica de procesamiento de datos inspirada en el
sistema nervioso animal (McCulloc y Pitts, 1943)
• Características:
– Aprendizaje a través de ejemplos – Paralelismo
– No linealidad – Tolerancia a ruido/fallos
• Aplicaciones
– Modelos de sistemas no lineales
– Análisis exploratorio de datos
– Reconocimiento de patrones (voz, imágenes)
iiijixwf
Xn
X3
X1
X2
wi1
i
wi2
wi3win
f()
Neurona artificial
Redes neuronales artificiales: introducciónRedes neuronales artificiales: introducción
Neurona biológica
Dendritas, axones
Redes neuronales artificiales: introducciónRedes neuronales artificiales: introducción
Entradas
Red neuronal
Salidas
Neurona
Conexión
Redes neuronales artificiales: introducciónRedes neuronales artificiales: introducción
Tipos
• Perceptrón multicapa
• Funciones de base radial
• Redes modulares
• Mapas autoorganizados
• ...
Perceptrón Multicapa (MLP)Perceptrón Multicapa (MLP)
Aplicación: ajuste de funciones no lineales (p.ej. cinética química)
1 Entrenamiento;
– Ajuste de pesos sinápticos (wij)
– A través de ejemplos
– Proceso iterativo y lento (pero sólo una vez)
– Programación método de gradiente conjugado
2 Uso: dadas unas entradas,proporciona predicción (rápido)
Perceptrón Multicapa (MLP)Perceptrón Multicapa (MLP)
TemperaturaHumedad relat.Tipo de díaHora
(consumo anterior)
ConsumoEléctrico (Mw)
Ej. Predicción de la demanda eléctrica
Mapa autoorganizado (SOM)Mapa autoorganizado (SOM)
Proyección de un espacio de alta dimensión sobre un espacio 2D
Espacio bidimensionalEspacio bidimensional
Red no supervisada(sólo datos de entrada)
Entrenamiento:
1. Descubre rasgoscomunes, (correlaciones)en los datos
2. Ordena los datos en unmapa 2D
Mapa autoorganizado (SOM)Mapa autoorganizado (SOM)
Espacio bidimensionalEspacio bidimensional
Usoun vector de datos esproyectado sobre elmapa 2D
Etiquetas:El usuario debeetiquetar las neuronassegún los datos
Mapa autoorganizado (SOM)Mapa autoorganizado (SOM)
Mapa sensorial cuerpo humano -> reproducido sobre córtex
Ejemplo biológico
Mapa autoorganizado (SOM)Mapa autoorganizado (SOM)
Ej. Monitorización planta industrial
QuemadorLITEC
SOM
Extinción
Normal
Óptimo
Problema-EstrategiaProblema-Estrategia
Integración de la CQ
Composición química inicial
Paso temporal de integración
Composición química final
TH2H...N2t
TH2H...N2
Problema-EstrategiaProblema-Estrategia
Pasos
1) Integrar muchas combinacionesde composiciones químicas(generación de patrones)
2) Ajustar estos puntos con unperceptrón multicapa (MLP)(entrenamiento)
Problema-EstrategiaProblema-Estrategia
Número de patrones: muy elevado (varios millones)
Estrategias
A. Entrenar un único MLP
B. Entrenar un conjunto de MLPsespecializados
División del espacio químico
Estrategia SOM-MLP para la cinética químicaEstrategia SOM-MLP para la cinética química
1) Clasificación1) Clasificación
TH2H
O2OH
H2OHO2
H2O2CH3CH4CO
CO2CH2OC2H2C2H4C2H6
N2
Composición termoquímicaComposición termoquímica
2) Asignación a unperceptrón
2) Asignación a unperceptrón
3) Predicción3) Predicción
Y(t) Y(t+t)
¿Evolución debido a la reacción química?
¿Evolución debido a la reacción química?
AplicacionesAplicaciones
• Reactor parcialmente agitado
• Llama turbulenta premezclada
• Llama turbulenta no premezclada
Reactor parcialmente agitadoReactor parcialmente agitado
• Gran simplificación fluidodinámica
– Simulación cero-dimensional
– Aisla fuentes error
• Coste computacional bajo (DI, análisis paramétrico)
• Analogías con simulación combustión más compleja
Tent Yi,ent
Tent Yi,ent T(t) Yi (t) T(t) Yi (t)
tmeztmez
mρV
t res Motivaciones
Modelo de cinética químicaModelo de cinética química
• Sistema químico reducido de CH4-aire
• Especies (9):
• Reacciones globales (5):
2222
222
422
22
2222
NCOOH32NOCO2H
COOHCOH
CHOHCO3H
O2H2OHH
COO3HCOO3H
NO OHH
COCO OHN OCH
2
22 22 4
Sistema químicooriginal: GRI 2.11
(49 especies,279 reacciones)
Llama premezclada: descripciónLlama premezclada: descripción
COCO
Combustible y aireCombustible y aire
Capa de cortadura: - Zona de combustón - Ingestión - Formación de especies intermedias
Capa de cortadura: - Zona de combustón - Ingestión - Formación de especies intermedias
TemperaturaTemperatura
Llama premezclada, pobre, confinada de CH4-aire
Zona de productos calientes(atrapados por recirculación)Zona de productos calientes(atrapados por recirculación)
Obstáculo (generazona de recirculación)
Obstáculo (generazona de recirculación)
Mapa autoorganizado (SOM)Mapa autoorganizado (SOM)Clasificiación del espacio termoquímico
CH4 H2O
CO OH
CombustibleProductos
Frentede llama
Comparación con experimentos: v y TComparación con experimentos: v y T
• Modelo de mezcla: no influye
• Buena precisión (salvo RNA-post)
LMSELMSE
Z/D=0.3 Z/D=0.3
Comparación con experimentos: CH4 y H2OComparación con experimentos: CH4 y H2O
• Modelo de mezcla: no influye
• Buena precisión (salvo RNA-post)
LMSELMSE
Z/D=0.3 Z/D=0.3
Comparación con experimentos: COComparación con experimentos: CO
• Modelo de mezcla LEM: valores máximos mayores
LMSELMSE LEMLEM
Z/D=1.0 Z/D=1.0
Comparación con experimentos: OHComparación con experimentos: OH
• Dependencia del método de representación de cinética química
LMSELMSE LEMLEM
Z/D=1.0 Z/D=1.0
Comparación con experimentos: NOComparación con experimentos: NO
• Bien predicho (a pesar de baja concentración)
LMSELMSE LEMLEM
Z/D=1.0Z/D=1.0
Características computacionalesCaracterísticas computacionales
RNA LUT
CH4 0.02% 0.13%
CO 0.05% 0.23%
OH 0.67% 0.25%
H2O 0.02% 0.14%
NO 0.01% 0.09%
MEDIO 0.15% 0.17%
PrecisiónPrecisión
RNA LUT
Tiempo (s) 10.2(24%)
5.2(14%)
Memoria (Mb) 0.06(0.2%)
41(35%)
Tiempo y memoriaTiempo y memoria
(%= respecto al total de la simulación)(%= respecto al total de la simulación)
Características computacionalesCaracterísticas computacionales
Red neuronal Tabla
Tiempo 1 0,5
MemoriaRAM 1 683
Factores comparativos
Llama no premezclada: descripciónLlama no premezclada: descripción
Combustible fresco (y algo de aire)inyectado a gran velocidad
Combustible fresco (y algo de aire)inyectado a gran velocidad
Llama piloto(anillo rodeando chorro)
Llama piloto(anillo rodeando chorro)
Tur
bule
nt D
iffus
ion
Fla
me
Labo
rato
ry
Com
bust
ion
Res
earc
h F
acili
tyS
andi
a N
atio
nal L
abor
ator
ies
Live
rmor
e, C
alifo
rnia
, EE
.UU
.
Tur
bule
nt D
iffus
ion
Fla
me
Labo
rato
ry
Com
bust
ion
Res
earc
h F
acili
tyS
andi
a N
atio
nal L
abor
ator
ies
Live
rmor
e, C
alifo
rnia
, EE
.UU
.
Torbellinos: ingestión combustible-productosTorbellinos: ingestión combustible-productos
Ignicióndel chorro
de combustible
Ignicióndel chorro
de combustible
Modelo de cinética químicaModelo de cinética química
• Sistema químico reducido CH4-aire: 16 especies, 12 reacciones
OHOHH
OCHCOCHHCCOO
OCHCOHCOCHO
OCHCOCHCO2CHO
COCHH2CHO
H0.5COCHCOCHHCCOCHO
COHH0.5CO
COHOOHCOOHO
COOHCOHO
COOHHCOOH
COOH CO O H
2CO 2CO O
2
224622
2232
22432
24232
222244232
2222
22222
22
222
22
2 2
Especies químicasañadidas:
(ignición/extinción)
H HO2 H2O2
CH3 CH2O
C2H2 C2H4 C2H6
Paralelización entrenamiento redes neuronalesParalelización entrenamiento redes neuronales
• Ejemplos y núm. variables (4.1 millones, 18 var.)
• Tiempo de entrenamiento (1 ordenador): 37 díasMotivacionesMotivaciones
VentajasVentajas
•Reducción tiempo entrenamiento a 1 día
•Permite realizar distintos entrenamientos
Cinética química basada en redes neuronalesCinética química basada en redes neuronalesTemperaturaTemperatura
RNARNA IDID
CH4CH4
RNARNA IDID
CH3CH3
RNARNA IDID
Predicción correcta deignición y disociación
del combustible
Predicción correcta deignición y disociación
del combustible
Cinética química basada en redes neuronalesCinética química basada en redes neuronales
RNARNA IDID
HH
RNARNA IDID
OHOH
RNARNA IDID
COCO
Formación deradicales en
capa cortadura
Formación deradicales en
capa cortadura
Formación deespecies intermedias
Formación deespecies intermedias
Características computacionalesCaracterísticas computacionales
Red neuronal
Integración directa
Tiempo(factor) 1 223
MemoriaRAM (Mb) 0.5 * 0
(*) 1300 veces menos que almacenar los 4 millonesde patrones ajustados por la RN
ConclusionesConclusiones
Método de representación de la CQ ventajoso
•Tiempo de cálculo:• ~ tablas• 200 veces menor que integración directa
•Memoria RAM:• 700 veces menor que tablas
•Precisión:• Buena (<1%)
CHEMKINCHEMKIN
Programa de cálculo de propiedades de cinética química
– Escrito en FORTRAN
– Hasta versión II: gratuito (Laboratorios Sandia, EEUU)
– Actualmente: versión III (www.reactiondesign.com)
– Muy útil para simulación de reactores, combustión, etc.
– Especies químicas en fase gaseosa
TRANLIBTRANLIB
Programa de cálculo de propiedades de transporte
– Escrito en FORTRAN
– Gratuito
– Calcula viscosidad, conductividad, … de mezclas de gases