B.艾哈迈德。;穆杜努鲁，M.K。;卡拉，S。;詹姆斯，S.C。;维塞利诺夫。 用于预测反应混合状态的机器学习模型的比较研究。 （英语） Zbl 07511682号 J.计算。物理学。 432，文章ID 110147，26 p.（2021）. 摘要：混合现象是控制流体和多孔介质中流动、物种迁移和反应过程的重要机制。反应性混合的准确预测对于许多地球和环境科学问题至关重要，例如污染物归宿和修复、大型藻类生长和浮游生物生物量增长。为了研究不同场景（例如各向异性、脉动速度场）下混合动力学的演化，建立了一个基于有限元的数值模型来求解快速、不可逆的双分子反应扩散方程，以模拟一系列反应混合场景。共使用不同的模型输入参数集进行了2315次模拟，包括速度场中涡旋结构的各种空间尺度、与速度振荡相关的时间尺度、基于涡旋的速度的扰动参数、，各向异性色散对比度（即纵向色散与横向色散之比）和分子扩散。输出包括反应物和产物的浓度分布。这些仿真的输入和输出分别连接到特征矩阵和标签矩阵中，以训练20个不同的机器学习（ML）模型来模拟系统行为。这20个ML仿真器基于线性方法、贝叶斯方法、集成学习方法和多层感知器（MLP），经过训练，对混合状态进行分类，并预测表征物种产生、衰减（即平均浓度、平均浓度平方）、，和混合程度（即物种浓度的差异）。不出所料，线性分类器和回归变量未能重现QoI；然而，集合方法（分类器和回归器）和MLP模型准确地分类了反应混合状态和QoI。在集合方法中，基于随机森林和决策树的AdaBoost忠实地预测了QoI。在运行时，经过训练的ML模拟器产生的结果比有限元模拟快大约10^5倍。由于计算费用低、精度高，集成模型和MLP模型是这些数值模拟的优秀模拟器，在不确定性量化练习中非常有用，这可能需要1000次正向模型运行。 引用于1文件 理学硕士： 68泰克 人工智能 68倍 计算机科学 62至XX 统计 关键词：代理建模;机器学习;反应扩散方程;随机森林;集合方法;人工神经网络 软件：PFLOTRAN公司;PRMLT公司;ElemStatLearn（电子状态学习）;阿达·布斯特。MH公司;Scikit公司;SAS公司;PMTK公司 PDF格式BibTeX公司 XML格式引用 \textit{B.Ahmmed}等人，《计算杂志》。物理学。432，文章ID 110147，26 p.（2021；Zbl 07511682） 全文： 内政部 arXiv公司 参考文献： [1] 拉涅奥，V。；里格诺，O。；Descostes，M.，《反应传输模拟的工业部署：铀就地回收的应用》，Rev.Mineral。地球化学。，85, 499-528 (2019), 09 [2] Cama，J。；Soler，J.M。；Ayora，C.，《酸性水-岩石-水泥相互作用和多组分反应迁移模型》，《矿物评论》。地球化学。，85, 459-498 (09 2019) [3] 罗尔，M。；Le Borgne，T.，《地下混合和反应锋》，《矿物评论》。地球化学。，85, 111-142 (09 2019) [4] 罪，I。；Corvisier，J.，多相多组分反应传输和流动建模，矿物版。地球化学。，85, 143-195 (09 2019) [5] Molins，S。；Knabner，P.，《反应性运输建模中的多尺度方法》，《矿物评论》。地球化学。，85, 27-48 (09 2019) [6] 利希特纳，P.C。；斯蒂费尔，C.I。；Oelkers，E.H.，《多孔介质中的反应传输》，第34卷（2019年），Walter de Gruyter GmbH&Co KG [7] 利希特纳，P.C。；哈蒙德，G.E。；卢，C。；Karra，S。；比什特，G。；安德烈，B。；Mills，R.T。；Kumar，J.，PFLOTRAN用户手册：用于描述地表和地下过程的大规模并行反应流和传输模型（2015），洛斯阿拉莫斯国家实验室，技术报告（报告编号：LA-UR-15-20403） [8] Chen，L。；王，M。；康，Q。；陶伟，CO_2溶解捕集过程中多相多组分反应迁移的孔隙尺度研究，水资源高级研究所。，116, 208-218 (2018) [9] 奥兹蒂尔克，文学硕士。；阿什拉夫，M。；Aksoy，A。；艾哈迈德，M.S.A。；Hakeem，K.R.，《植物、污染物和修复》（2015），施普林格出版社 [10] 艾哈迈德，B.，《法恩斯沃思二氧化碳-水-岩石相互作用的数值模拟》，德克萨斯州碳氢化合物单元，美国（2015年），密苏里大学，硕士论文 [11] Vesselinov，V.V。；Mudunuru，M.K。；Karra，S。；奥马利，D。；Alexandrov，B.S.，基于非负张量因式分解的无监督机器学习用于分析反应性混合，J.Compute。物理。，395, 85-104 (2019) ·Zbl 1452.68160号 [12] Mudunuru，M.K。；Karra，S.，预测反应混合进展的基于物理的机器学习模型（2019），arXiv预印本·Zbl 1506.74499号 [13] Wu，Y。；Lin，Y。；Zhou，Z。；Delorey，A.，《地震网：检测地震事件的深层密集连接神经网络》（2018），arXiv预印本 [14] Hulbert，C。；Rouet-Leduc，B。；约翰逊，P.A。；Ren，C.X。；里韦雷，J。；博尔顿特区。；Marone，C.，机器学习揭示的快地震和慢地震的相似性，国家地质科学。，12, 69 (2019) [15] Viswanathan，H.S。；海曼·J·D。；Karra，S。；奥马利，D。；Srinivasan，S。；哈格伯格，A。；Srinivasan，G.，《改进基于图形的算法预测断裂岩石中的流动和运输》，水资源。第546085-6099号决议（2018） [16] Srinivasan，S。；海曼，J。；Karra，S。；奥马利博士。；Viswanathan，H.S。；Srinivasan，G.，《离散断裂网络的稳健系统尺寸缩减：保持传输特性的多保真度方法》，计算。地质科学。，22, 1515-1526 (2018) ·Zbl 1404.86009号 [17] Camps-Valls，G。；马蒂诺，L。；Svendsen，D.H。；Campos-Taberner，M。；穆尼奥斯·马雷，J。；拉帕拉，V。；Luengo，D。；García-Haro，F.J.，《遥感中的物理感知高斯过程》，应用。软计算。，68, 69-82 (2018) [18] Bergen，K.J。；约翰逊，P.A。；马丁五世。；Beroza，G.C.，固体地球科学中数据驱动发现的机器学习，科学，363，文章eaau0323 pp.（2019） [19] Reichstein，M。；Camps-Valls，G。；史蒂文斯，B。；Jung，M。；Denzler，J。；北卡罗来纳州卡瓦利斯。；Prabhat，数据驱动地球系统科学的深度学习和过程理解，《自然》，566195（2019） [20] R.-梅萨，C。；Reichstein，M。；Mahecha，M。；卡夫，B。；Denzler，J.，根据环境条件预测从空间看到的景观，（IGARSS 2018-2018 IEEE国际地球科学和遥感研讨会（2018），IEEE），1768-1771 [21] 南卡罗来纳州詹姆斯。；Zhang，Y。；O'Donncha，F.，预测波浪条件的机器学习框架，海岸。工程，137，1-10（2018） [22] 奥唐查，F。；Zhang，Y。；陈，B。；James，S.C.，使用计算轻量级机器学习模型预测海浪的集成模型聚合，J.Mar.Syst。，199，第103206条pp.（2019） [23] O’Donncha，F。；Zhang，Y。；陈，B。；James，S.C.，将机器学习和数值模型相结合以改进波浪条件预测的集成框架，J.Mar Syst。，186, 29-36 (2018) [24] R.-Leduc，B。；Hulbert，C。；吕贝尔斯，N。；巴罗斯，K。；汉弗莱斯，C.J。；Johnson，P.A.，机器学习预测实验室地震，Geophys。Res.Lett.公司。，44, 9276-9282 (2017) [25] 雷恩，A。；Audet，P.，《网络规模上的监督机器学习：在地震事件分类和检测中的应用》，Geophys。《国际期刊》，210，1394-1409（2017） [26] M.Zook，S.A。；Ruppert，S.D.，《带机器学习的爆炸监测：LSTM地震事件识别方法》（AGU秋季会议摘要（2017）） [27] 袁，B。；Tan，Y.J。；Mudunuru，M.K。；O.E.马西略。；Delorey，A.A。；罗伯茨，P.M。；韦伯斯特，J.D。；Gammans，C.N.L。；Karra，S。；Guthrie，G.D。；Johnson，P.A.，《使用机器学习识别噪音环境中的喷发：使用\（\operatorname的案例研究》{CO}_2\)-新墨西哥州奇马约的驱动冷水间歇泉，地震。Res.Lett.公司。，90, 591-603 (2019) [28] 巴泽加，R。；Moghaddam，A.A。；德奥·R。；Fijani，E。；Tziritis，E.，使用机器学习算法的多模型集成绘制多个含水层的地下水污染风险，科学。Total Environ.公司。，621, 697-712 (2018) [29] Ferreira，C.，《基因表达式编程：解决问题的新自适应算法》（2001），arXiv预印本·Zbl 1167.92329号 [30] Ferreira，C.，使用基因表达式编程设计神经网络，（应用软计算技术：复杂性的挑战（2006），Springer），517-535 [31] R.-加利亚诺，V。；S.-卡斯蒂略，M。；C.-奥尔莫，M。；C.-Rivas，M.，《矿产远景的机器学习预测模型：神经网络、随机森林、回归树和支持向量机的评估》，《矿石地质学》。修订版，71804-818（2015） [32] 柯克伍德，C。；Cave，M。；比米什，D。；格雷比，S。；Ferreira，A.，《地球化学制图的机器学习方法》，J.Geochem。探索。，167, 49-61 (2016) [33] Zuo，R.，《矿化相关地球化学异常的机器学习：潜在方法综述》，《自然资源》。决议，26，457-464（2017年10月） [34] Oonk，S。；Spijker，J.，《考古学中地球化学预测建模的监督机器学习方法》，J.Archaeol。科学。，59, 80-88 (2015) [35] Cracknell，M.J。；阅读，上午。；McNeill，A.W.，《使用随机森林和自组织地图绘制塔斯马尼亚海勒-姆特特许区地质和火山成因块状硫化物蚀变图》，奥斯汀。地球科学杂志。，61, 287-304 (2014) [36] Salah，M.K.，《模型降阶的机器学习》（2018），Springer [37] Brunton，S.L。；Kutz，J.N.，《数据驱动科学与工程：机器学习、动态系统和控制》（2019），剑桥大学出版社·Zbl 1407.68002号 [38] Marquaridt，D.W.，《广义逆、岭回归、有偏线性估计和非线性估计》，《技术计量学》，12591-612（1970）·Zbl 0205.46102号 [39] 哈斯蒂，T。；Tibshirani，R。；Friedman，J.，《统计学习的要素：数据挖掘、推理和预测》，施普林格统计学系列（2009），施普林格：施普林格纽约·Zbl 1273.62005年 [40] Murphy，K.P.，《机器学习：概率观点》（2012），麻省理工学院出版社·Zbl 1295.68003号 [41] Tipping，M.E.，稀疏贝叶斯学习和相关向量机，J.Mach。学习。第1211-244号决议（2001年）·Zbl 0997.68109号 [42] Breiman，L.，装袋预测，马赫数。学习。，24, 123-140 (1996) ·Zbl 0858.68080号 [43] 弗伦德，Y。；Schapire，R.E.，《在线学习的决策理论推广及其在助推中的应用》，J.Compute。系统。科学。，55, 119-139 (1997) ·Zbl 0880.68103号 [44] D.E.Rumelhart、G.E.Hinton、R.J.Williams，通过反向传播错误学习表征，认知建模，5:11988·Zbl 1369.68284号 [45] 蒙塔冯，G。；萨梅克，W。；Müller，K.，《解释和理解深层神经网络的方法》，数字。信号处理。，73, 1-15 (2018) [46] Nakshatra，K.B。；Mudunuru，M.K。；Valocchi，A.J.，扩散控制双分子反应系统的数值框架，以执行最大值原理和非负约束，J.Compute。物理。，253, 278-307 (2013) ·Zbl 1349.92011号 [47] Mudunuru，M.K。；Shabouei，M。；Nakshatrala，K.B.，《非线性生态模型和化学反应流的本地和全球物种保护误差》，（ASME 2015年国际机械工程大会和展览会（2015）会议记录），V009T12A018 [48] Mudunuru，M.K。；Nakshatrala，K.B.，《耦合变形-扩散分析框架及其在降解/修复中的应用》，国际期刊Numer。方法工程，89，1144-1170（2012）·Zbl 1242.74090号 [49] Mudunuru，M.K。；Nakshatrala，K.B.，《关于满足比较原则、最大值原则和非负约束的网格限制：最新发展和新结果》，Mech。高级材料结构。，24, 556-590 (2017) [50] 品德，G.F。；Celia，M.A.，《地下水文学》（2006），John Wiley&Sons，Inc.：美国新泽西州John Willey&Sons公司 [51] Adrover，A。；Cerbelli，S。；Giona，M.，混沌流中反应/扩散动力学的光谱方法，计算。化学。工程，26，125-139（2002） [52] Tsang，Y.K.，预测混沌流中快速化学反应的演化，物理学。E版，80，第026305条，第（2009）页 [53] Mudunuru，M.K。；Nakshatrala，K.B.，关于在有限元方法下执行最大值原理并实现对流-扩散-反应方程的元素-整体物种平衡，J.Compute。物理。，305, 448-493 (2016) ·Zbl 1349.65630号 [54] Dentz，M。；Le Borgne，T。；恩格尔，A。；Bijeljic，B.，《异质介质中的混合、扩散和反应：简要综述》，J.Contam。水文。，120, 1-17 (2011) [55] Kitanidis，P.K。；McCarty，P.L.，《地下输送和混合：现场修复的工艺和设计原则》，第4卷（2012年），施普林格科学与商业媒体 [56] Nakshatrala，K.B。；Mudunuru，M.K。；Valocchi，A.J.，扩散控制双分子反应系统的数值框架，以执行最大值原理和非负约束，J.Compute。物理。，253278-307（2013）·Zbl 1349.92011号 [57] Mudunuru，M.K。；Nakshatrala，K.B.，关于在有限元方法下执行最大值原理并实现对流-扩散-反应方程的元素-整体物种平衡，J.Compute。物理。，305, 448-493 (2016) ·Zbl 1349.65630号 [58] Mudunuru，M.K。；Nakshatrala，K.B.，《关于满足比较原则、最大值原则和非负约束的网格限制：最新发展和新结果》，Mech。高级材料结构。，24, 556-590 (2017) [59] 穆勒，A.C。；Guido，S.，《Python机器学习导论：数据科学家指南》（2016），O'Reilly Media，Inc。 [60] 佩德雷戈萨，F。；瓦罗佐，G。；Gramfort，A。；米歇尔，V。；蒂里昂，B。；O.格栅。；布隆德尔，M。；普雷滕霍弗，P。；韦斯，R。；杜堡，V。；范德普拉斯，J。；帕索斯，A。；库纳波，D。；布鲁彻，M。；佩罗，M。；Duchesnay，E.，Scikit-learn：Python中的机器学习，J.Mach。学习。第12号决议，2825-2830（2011年）·Zbl 1280.68189号 [61] 别丁克，L。；Louppe，G。；布隆德尔，M。；佩德雷戈萨，F。；穆勒，A。；O.格栅。；尼库拉，V。；普雷滕霍弗，P。；Gramfort，A。；Grobler，J。；莱顿，R。；范德普拉斯，J。；霍尔特，B。；Varoquaux，G.，《机器学习软件的API设计：来自scikit-learn项目的经验》（ECML PKDD Workshop:Languages for Data Mining and machine learning（2013）），第108-122页 [62] 佩德雷戈萨，F。；瓦罗佐，G。；Gramfort，A。；米歇尔，V。；蒂里昂，B。；O.格栅。；布隆德尔，M。；普雷滕霍弗，P。；韦斯，R。；杜堡，V。；范德普拉斯，J。；帕索斯，A。；库纳波，D。；布鲁彻，M。；佩罗，M。；Duchesnay，E.，Scikit-learn：Python中的机器学习，J.Mach。学习。第12号决议，2825-2830（2011年）·Zbl 1280.68189号 [63] Kohavi，R.，《精度估计和模型选择的交叉验证和引导研究》（IJCAI，第14卷（1995）），1137-1145 [64] 周，J.S。；蔡家富。；Pham，A.D。；Lu，Y.H.，《混凝土强度模拟中的机器学习：多国数据分析》，Constr。生成。材料。，73, 771-780 (2014) [65] 陈，J。；李凯。；唐，Z。；比拉尔，K。；于斯。；翁，C。；Li，K.，火花云计算环境中大数据的并行随机森林算法，IEEE Trans。并行分配系统。，28, 4, 919-933 (2016) [66] Turchenko，V.，多核系统上具有两个隐藏层的mlp并行批处理模式训练算法，（分布式计算和人工智能，第11届国际会议（2014），Springer International Publishing:Springer国际出版商会），537-544 [67] Van Essen，B。；马卡雷格，C。；M.Gokhale。；Prenger，R.，《加速随机森林分类器：多核、gp-gpu还是fpga？》？，（2012年IEEE第20届现场可编程定制计算机国际研讨会（2012年），IEEE），232-239 [68] 哦，好吧。；Jung，K.，神经网络的Gpu实现，模式识别。，37, 6, 1311-1314 (2004) ·Zbl 1070.68555号 [69] Iacovides，H。；Launder，B.E.，以正交模式旋转的方形管道中的湍流动量和热量传输，数值。热传输。，A部分，申请。，12, 4, 475-491 (1987) ·兹比尔0632.76067 [70] 卢，Y。；姜浩。；郭，S。；Wang，T。；曹，Z。；Li，T.，利用混合焓设计共晶高熵合金的新策略，金属间化合物，91，124-128（2017） [71] Merker，G.P。；施瓦兹，C。；施蒂什，G。；Otto，F.，《模拟燃烧：发动机开发中燃烧和污染物形成的模拟》（2005），Springer Science&Business Media [72] Molnar，C.，《可解释机器学习：黑盒模型解释指南》（2019年） [73] Bishop，C.M.，模式识别和机器学习（2006），施普林格·Zbl 1107.68072号 [74] 麦凯，D.J.C.，贝叶斯插值，神经计算。，415-447（1992年） [75] Rasmussen，C.E.，机器学习中的高斯过程，（机器学习暑期学校（2003），Springer），63-71·Zbl 1120.68436号 [76] 桑特纳，T.J。；威廉姆斯，B.J。；Notz，W.，《计算机实验的设计与分析》，第1卷（2018年），施普林格出版社·Zbl 1405.62110号 [77] Rennie，J.D。；Shih，L。；Teevan，J。；Karger，D.R.，处理天真贝叶斯文本分类器的不良假设，（《第20届机器学习国际会议论文集》，第20届国际机器学习会议论文集，ICML-03（2003）），616-623 [78] 曼宁，C。；Raghavan，P。；Schütze，H.，《信息检索导论》，《自然语言工程》，第16期，第100-103页（2010年） [79] McCallum，A。；Nigam，K.，《天真贝叶斯文本分类事件模型的比较》，（AAAI-98文本分类学习研讨会，第752卷（1998年），Citeser），41-48 [80] Metsis，V。；安德鲁特索普洛斯，I。；Paliouras，G.，用天真的贝叶斯过滤垃圾邮件——哪个是天真的贝叶斯？，（加州山景城，加州山景镇，CEAS，第17卷（2006）），28-69 [81] 张浩，天真贝叶斯的最优性，AA，1:32004。 [82] F.C.托尼。；基因，H.G。；Randall，J.L.，《计算样本方差的算法：分析和建议》，《美国统计》，37，3，242-247（1983）·Zbl 0521.65098号 [83] Breiman，L.，《随机森林》，马赫。学习。，45, 5-32 (2001) ·Zbl 1007.68152号 [84] 布雷曼，L。；弗里德曼，J.H。；Olshen，R.A。；Stone，C.J.，《分类和回归树》（2017），Taylor&Francis Group：纽约Taylor and Francis集团 [85] Geurts，P。；Ernst博士。；Wehenkel，L.，《极度随机树》，马赫。学习。，63, 3-42 (2006) ·Zbl 1110.68124号 [86] Freund，Y.，以多数人的方式推进弱学习算法，Inf.Compute。，121, 256-285 (1995) ·Zbl 0833.68109号 [87] 弗伦德，Y。；Robert，E.S.，《新推进算法的实验》（ICML，第96卷（1996），Citeser），148-156 [88] 弗伦德，Y。；Schapire，R.E.，《博弈论，在线预测和增强》（COLT，第96卷（1996），Citeser），第325-332页 [89] 夏皮雷，R.E。；Freund，Y.，《在线学习的决策理论概括及其在助推中的应用》（第二届欧洲计算学习理论会议（1995）），23-37 [90] 奈尔，V。；Hinton，G.E.，《校正线性单位改善受限Boltzmann机器》，（第27届机器学习国际会议论文集。第27届国际机器学习会议论文集，ICML-10（2010）），807-814 [91] Garavaglia，S。；Sharma，A.，《虚拟变量智能指南：四个应用程序和一个宏》（《东北SAS用户小组会议论文集》，第43卷（1998年）） 此参考列表基于出版商或数字数学图书馆提供的信息。它的项目与zbMATH标识符启发式匹配，并且可能包含数据转换错误。在某些情况下，zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献，而不声称其完整性或完全匹配。