Machine Learning-Assisted Discovery of Novel Reactor Designs

要約

積層造形により、高度なリアクター形状の製造が可能になり、より大きく、より複雑な設計スペースが可能になりました。
このような空間内で有望な構成を特定することは、現在のアプローチにとって大きな課題となります。
さらに、反応器の形状の既存のパラメータ化は低次元であり、高価な最適化がより複雑な解決策を制限します。
この課題に対処するために、私たちは、高次元のパラメータ化、数値流体力学、および多重忠実度のベイジアン最適化の適用を組み合わせた、次世代の化学反応器の設計のための機械学習支援アプローチを確立します。
私たちは、新しいコイル型リアクターにおける混合を促進する渦流構造の開発を性能と関連付け、私たちのアプローチを使用して最適な設計の重要な特性を特定します。
流体機械原理に訴えることで、新しい設計機能の選択を合理化し、従来の設計と比較して実験パフォーマンスを最大 60% 向上させることができます。
私たちの結果は、高度な製造技術と「拡張知能」アプローチを組み合わせることで、優れた設計パフォーマンスが実現し、その結果、排出削減と持続可能性につながる可能性があることを示しています。

要約(オリジナル)

Additive manufacturing has enabled the fabrication of advanced reactor geometries, permitting larger, more complex design spaces. Identifying promising configurations within such spaces presents a significant challenge for current approaches. Furthermore, existing parameterisations of reactor geometries are low-dimensional with expensive optimisation limiting more complex solutions. To address this challenge, we establish a machine learning-assisted approach for the design of the next-generation of chemical reactors, combining the application of high-dimensional parameterisations, computational fluid dynamics, and multi-fidelity Bayesian optimisation. We associate the development of mixing-enhancing vortical flow structures in novel coiled reactors with performance, and use our approach to identify key characteristics of optimal designs. By appealing to fluid mechanical principles, we rationalise the selection of novel design features that lead to experimental performance improvements of ~60% over conventional designs. Our results demonstrate that coupling advanced manufacturing techniques with `augmented-intelligence’ approaches can lead to superior design performance and, consequently, emissions-reduction and sustainability.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google