Exploring soot inception rate with stochastic modelling and machine learning
Notice bibliographique
Résumé
A diverse range of polycyclic aromatic compounds (PACs) is thought to exist in flame environments before and during soot inception. This work seeks to develop a machine learning (ML)-based soot inception model that considers detailed and diverse PAC properties such as oxygenation, aliphatic content, radical character, size, and shape. To this end, temporal rates of change of PAC properties were computed by the stochastic modelling code SNapS2 and used as input to an ML model that predicts soot inception rate. The model is trained using experimentally-derived soot inception rates for three atmospheric pressure laminar premixed ethylene/air flames. An ML model (kernel ridge regression with a linear kernel) was developed to predict the soot inception rate in the three premixed flames. The soot inception rate predictions from this SNapS2-informed ML model outperformed the predictions from both the advanced soot modelling CFD code CoFlame and an ML model which used CFD-determined inputs (temperature and species concentrations). The final model had an R^2 value of approximately 0.71 and a mean absolute error approximately 25% of the target values. The performance of the SNapS2-informed model suggests that detailed PAC properties are important to consider in inception modelling. While expanding this approach to other types of flames and fuels is crucial for future improvement to the model’s accuracy and generality, this methodology provides a successful framework for the current system. The success of this method demonstrates that ML can offer improvements in accuracy compared to current CFD inception models and the highlights the potential for ML in soot predictions.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».