深度学习辅助脉冲放电催化模型

利用深度神经网络替代动力学模拟，高效预测脉冲放电等离子体催化中的目标产物密度，为实验与模拟数据同化提供可能。

潘杰 · Liu, Yun · 张帅 · Hu, Xiucui · Liu, Yadi · 邵涛

Energy Conversion and Management 2023

具体参数

相对误差（CH₄/Ar 模型）

{'zh': '1.15 × 10⁻³', 'en': '1.15 × 10⁻³'}

相对误差（N₂/H₂ 模型）

{'zh': '4.19 × 10⁻⁴', 'en': '4.19 × 10⁻⁴'}

技术优势

替代动力学模拟

训练好的神经网络直接根据 E/N 和时间 t 预测目标产物密度，无需迭代求解动力学方程，计算效率大幅提升。

误差低至 10⁻³ 量级

在 CH₄/Ar 和 N₂/H₂ 脉冲放电模型中，神经网络预测与数值模拟的相对误差分别为 1.15 × 10⁻³ 和 4.19 × 10⁻⁴，证明该替代模型精度可靠。

支持数据同化

该方法能从实验数据反推 E/N 等初始参数，为整合实验与模拟结果、优化研究流程提供可能。

应用场景

• 等离子体催化过程优化：用神经网络替代动力学模拟，快速预测产物密度以筛选反应条件。
• 电化学与储能：提供 N₂/H₂ 放电催化案例，可为电化学储能相关的气相转化过程提供建模工具。
• 人工光合作用：N₂/H₂ 等离子体催化涉及合成氨，与人工光合作用中的固氮路径相通。