ترجمه فارسی مقاله به سوی مدل های بنیادی برای پیش بینی صنعتی سینتیک شیمیایی

چکیده

Scientific Machine Learning is transforming traditional engineering industries by enhancing the efficiency of existing technologies and accelerating innovation, particularly in modeling chemical reactions. Despite recent advancements, the issue of solving stiff chemically reacting problems within computational fluid dynamics remains a significant issue. In this study we propose a novel approach utilizing a multi-layer-perceptron mixer architecture (MLP-Mixer) to model the time-series of stiff chemical kinetics. We evaluate this method using the ROBER system, a benchmark model in chemical kinetics, to compare its performance with traditional numerical techniques. This study provides insight into the industrial utility of the recently developed MLP-Mixer architecture to model chemical kinetics and provides motivation for such neural architecture to be used as a base for time-series foundation models.

چکیده به فارسی (ترجمه ماشینی)

یادگیری ماشین علمی با افزایش کارآیی فن آوری های موجود و تسریع در نوآوری ، به ویژه در مدل سازی واکنشهای شیمیایی ، صنایع مهندسی سنتی را تغییر می دهد.علیرغم پیشرفت های اخیر ، مسئله حل مشکلات واکنش شیمیایی سخت در دینامیک سیال محاسباتی یک مسئله مهم است.در این مطالعه ما یک رویکرد جدید با استفاده از یک معماری میکسر چند لایه-پیر (MLP-Mixer) برای مدل سازی سری زمانی سینتیک شیمیایی سفت و سخت پیشنهاد می کنیم.ما این روش را با استفاده از سیستم Rober ، یک مدل معیار در سینتیک شیمیایی ، ارزیابی می کنیم تا عملکرد آن را با تکنیک های عددی سنتی مقایسه کنیم.این مطالعه بینشی از ابزار صنعتی معماری MLP-Mixer که اخیراً توسعه یافته است برای مدل سازی سینتیک شیمیایی ارائه می دهد و انگیزه ای را برای چنین معماری عصبی به عنوان پایه ای برای مدل های بنیاد سریال زمان فراهم می کند.