Стохастическая оптимизация механизма реакции оксида урана с использованием измерений в плазменном реакторе

May 11, 2023

Том 13 научных докладов, Номер статьи: 9293 (2023) Цитировать эту статью

Подробности о метриках

В этой работе для оптимизации механизма газофазной реакции оксида урана на основе измерений плазменного проточного реактора (PFR) используется подход связанного генетического алгоритма Монте-Карло (MCGA). PFR производит устойчивую плазму Ar, содержащую частицы U, O, H и N с высокотемпературными областями (3000–5000 K), что важно для наблюдения за образованием UO с помощью оптической эмиссионной спектроскопии. Глобальная кинетическая обработка используется для моделирования химической эволюции в PFR и для получения сигналов синтетического излучения для прямого сравнения с экспериментами. Затем пространство параметров механизма реакции оксида урана исследуется с помощью отбора проб Монте-Карло с использованием целевых функций для количественной оценки согласия модели и эксперимента. Результаты Монте-Карло впоследствии уточняются с использованием генетического алгоритма для получения экспериментально подтвержденного набора путей реакции и коэффициентов скорости. Из 12 каналов реакции, предназначенных для оптимизации, четыре канала оказались хорошо ограниченными во всех прогонах оптимизации, а еще три канала ограничены в отдельных случаях. Оптимизированные каналы подчеркивают важность радикала OH в окислении урана в PFR. Это исследование представляет собой первый шаг на пути к созданию комплексного экспериментально подтвержденного механизма реакции образования молекулярных частиц урана в газовой фазе.

Кинетика реакций газофазных оксидов металлов имеет широкое значение для многих областей исследований, включая астрофизику, науку о горении, ядерную технику и химию материалов в экстремальных условиях. В последние годы в этой области было выполнено множество экспериментальных и вычислительных работ по химии паров оксида урана (\({{\mathrm{UO_x}}}\))1. Газофазные продукты тугоплавких оксидов, такие как \({{\mathrm{UO_x}}}\, исторически было сложно производить из-за высоких температур испарения исходных оксидов. Совсем недавно системы термической плазмы предоставили возможность легкого производства металлов в газовой фазе и изучения их химического состава в реактивных средах. Однако быстрое время тушения, наличие фоновых радикалов и образование летучих промежуточных оксидов в таких системах затрудняют выделение конкретных каналов реакции для изучения. Подобные проблемы возникают и в других реактивных высокотемпературных системах, таких как топливо для сжигания металлов. В результате механизмы газофазного окисления металлов часто основаны на скудных экспериментальных данных и теоретических оценках первого порядка, как в случае образования оксида алюминия2,3,4. Аналогично, механизм реакции \({{\mathrm{UO_x}}}\) был построен с использованием аналогичной методологии в нашей предыдущей работе5. Хотя такие механизмы дают качественно разумные результаты, которые могут совпадать с некоторыми экспериментальными наблюдаемыми, детального экспериментального подтверждения достичь сложно. Этот этап проверки имеет решающее значение для обеспечения возможности использования химического кинетического механизма прогнозирующим образом для информирования последующих моделей. Здесь мы исследуем метод определения коэффициентов скорости оксида урана (\({{\mathrm{UO_x}}}\)) на основе экспериментальных измерений в термической плазменной системе.

Из-за сильно связанной и нелинейной природы химической кинетики в урановой плазме извлечение информации о скорости реакции требует решения задачи оптимизации. В этой задаче базовые параметры модели (коэффициенты скорости) определяются на основе наблюдаемых результатов (т. е. спектроскопической информации). Решение такой задачи детерминированными градиентными методами затруднено из-за потенциально сложного пространства параметров с многочисленными локальными минимумами. В этом случае вместо этого необходимо использовать метод оптимизации, способный непрерывно исследовать все пространство параметров, одновременно находя глобальный минимум. Одним из таких методов, ранее использовавшихся для решения задач химической кинетики, является генетический алгоритм Монте-Карло (MCGA)6. Этот метод хорошо подходит для решения текущей задачи благодаря своей эффективности в предотвращении сходимости к локальным минимумам и простоте реализации. Независимо от методологии, решение задачи оптимизации требует повторных оценок соответствующей модели, часто насчитывающих тысячи или миллионы прогонов. Хотя при решении химической кинетики в пространственно однородной системе достигается разумное время вычислений, проблема быстро становится невыполнимой, когда химия сочетается со сложной транспортировкой жидкости. Это соображение становится важным при выборе экспериментальной системы для решения задачи оптимизации.

where \({\varvec{k}}\) is a vector containing the reaction rate coefficients and \(n^{exp}_i\) and \(n^{calc}_i({\varvec{k}})\) are the measured and calculated species number densities at time point i, respectively. The optimization problem is solved by employing an iterative procedure that finds an optimal parameter set \({\varvec{k}}\) that minimizes the objective function \(\phi\). In the context of the current problem, an optimized \({\varvec{k}}\) value would represent a set of rate coefficients that closely match the uranium oxide formation rates observed in the laser ablation or PFR experiments. Typically, deterministic nonlinear least squares methods, such as the Gauss-Newton or Levenberg-Marquadt methods3.0.CO;2-R (1998)." href="#ref-CR21" id="ref-link-section-d84530096e1787"21,22,23, are employed for such optimization problems. Modern computational techniques, such as neural networks24, can also be used to this end./p>0.5\) for all solution curves can be used. If a solution is retained, then the statistical values calculated as part of Eq. (14) and the corresponding sets of modified rate parameters from Eq. (3) are stored. It is preferable to have a lax selection criterion at this stage in order to build up a sizable number of candidate mechanisms. The mechanisms passed to the genetic algorithm are then selected from these candidates based on the fitness metric used by the algorithm./p>0\)). This criterion was satisfied by 8.61% of generated mechanisms from 2.3 million samples. These 200,000 candidate mechanisms could be used as a starting population for the GA portion of the algorithm. However, to keep the run time of the GA reasonable, only a subset of the candidate mechanisms is used. This is done by first sorting the mechanisms according to two versions of the objective function \(\phi\) previously defined in Eq. (14). The two objective functions are: \(\phi _1\), which includes all terms in the objective function:/p>\sigma _k\) (where \(\sigma _k\) is the standard deviation of k)./p>3 cm) are covered. These reactions could be better constrained in the future by performing upstream measurements over a wider range of \(\hbox {O}_2\) conditions or with reduced \(\hbox {H}_2\)O concentrations (i.e. using a desolvating nebulizer). The current dataset is also limited in the range of temperatures and cooling rates covered, which also inhibits the location of a true global optimum. This is related to the temperature dependence of the Arrhenius rate expression, since similar reaction rates can be achieved using different combinations of coefficients if the reaction is active over a limited temperature range in the system. Based on the above observations, the lack of convergence toward a singular global optimum appears to stem more from the limited constraining data rather than from a shortcoming of the genetic algorithm. Even so, four reactions (R1, R4, R6, and R11 in Table 2) are consistently well constrained by the current optimization, demonstrating the reliability of the MCGA method and highlighting the dominant reaction channels for UO formation in the PFR./p>3 cm) behavior of U is poorly captured. While the R\(^2\) values appear to be adequate (outside of the 0 \(\hbox {O}_2\) dataset 1 case), visual inspection reveals that neither the 3–5 cm decrease nor the 5–8 cm saturation behavior is well matched for any dataset. This suggests that the saturation may be driven by a non-chemical effect that is not accounted for in the current 0D treatment of the PFR. As discussed previously, this behavior is likely caused by optical scattering of the strong upstream U emission line. Therefore, we will consider it an invalid constraint for the current optimization problem and will focus our subsequent analysis on the \(\phi _2\) optimized mechanism. As shown in the next section, the \(\phi _2\) result captures the 3–5 cm decrease in U intensity while disregarding the subsequent signal saturation due to the exclusion of the log U term./p> 7\) cm where temperature drops below 3000 K./p>3 cm). The UO sensitivity plots show that the upstream UO evolution is relatively insensitive to the reaction mechanism. Further downstream, UO is most sensitive to R6 and R13. The remaining optimized channels from Table 5, R9 and R10, appear to make finer adjustments to the downstream UO evolution. Overall, the upstream behavior of the mechanism is constrained mainly by U data, while both U and UO measurements play a role in constraining the downstream behavior./p>

Tadi, M. & Yetter, R. A. Evaluation of the rate constants in chemical reactions. Int. J. Chem. Kinet. 30, 151–159. 3.0.CO;2-R"https://doi.org/10.1002/(SICI)1097-4601(1998)30:2<151::AID-KIN7>3.0.CO;2-R (1998)./p>

3.0.CO;2-R" data-track-action="article reference" href="https://doi.org/10.1002%2F%28SICI%291097-4601%281998%2930%3A2%3C151%3A%3AAID-KIN7%3E3.0.CO%3B2-R" aria-label="Article reference 21" data-doi="10.1002/(SICI)1097-4601(1998)30:23.0.CO;2-R"Article CAS Google Scholar /p>

Предыдущий: Хлормекват хлорид Следующий: 10 потрясающих металлических каверов на классику кантри

Отправить запрос

Отправлять