Learning hydrocracking reaction dynamics via neural <scp>ODEs</scp> : A data‐driven, gradient‐interpretable lumped modelling framework
Notice bibliographique
Résumé
Abstract This study applies neural ordinary differential equations (neural ODEs) to model hydrocracking kinetics, a key process for converting heavy hydrocarbons into lighter products like gasoline and diesel. Neural ODEs provide a data‐driven approach, learning reaction dynamics directly from data without requiring explicit assumptions on kinetics, addressing limitations in traditional methods. Two neural ODE models were trained on synthetic hydrocracking data representing different kinetic assumptions: one based on a 2.5‐order reaction scheme (Model A) and the other on a first‐order scheme (Model B), across varying temperatures and feedstocks. The models demonstrated high predictive accuracy when predicting within the range of training data, with RMSE values remaining below 0.5 wt.% under most conditions. However, performance declined during high‐temperature extrapolation scenarios, particularly for the higher‐order model, revealing challenges in capturing nonlinear dynamics at extreme conditions. This work also enhanced the interpretability of neural ODEs by analyzing gradients within the model, which validated alignment with known kinetic principles, uncovering critical information about reaction pathways and temperature sensitivities. This analysis demonstrated the models' ability to capture temperature‐dependent behaviour and rate stabilization, as illustrated through heat maps, which further emphasized the potential of neural ODEs for both predictive accuracy and interpretative insights in hydrocracking modelling. Additionally, the extracted gradients present an exciting avenue for future advancements, such as leveraging symbolic regression techniques to uncover governing equations.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».