气候变化带来了重大挑战，促使人们制定到2050年实现碳中和的政策。可再生能源，主要是氢作为智能能源载体（SEC），提供高效率和零直接二氧化碳排放。然而，其燃烧会产生挑战，例如增加氮氧化物（NOx）排放， necessitating 创新的燃烧技术以实现更清洁的使用。化学反应器网络（CRNs）提供了一种有效的方法，以减少计算需求并模拟详细的动力学机制。Bragg 2 引入了这一方法，将燃烧器分为表示均匀流动区域的离散舱室，建模为完全搅拌反应器（PSRs）或塞流反应器（PFRs）。这些反应器通过质量和热量交换相互连接，形成一个旨在保留全球流动场主要特征的网络。CRNs 的数据可以来自半经验关系或CFD模拟。结合CFD-CRN方法有效地预测污染物排放，而无监督聚类算法如主成分分析（PCA）则有助于自动选择特征和分组观察 1。本分析的主要目标是探讨CRNs如何随输入数据库条件的变化而变化，例如甲烷-氢混合物的组成，并评估这些变化如何影响预测性能。随后，研究旨在确定是否有可能识别一个能充分代表所有被考察条件的平均网络。预计图神经网络（GNNs）的整合将成为一种预测方法，以推广CRNs对于未见场景，利用其在图结构数据中学习复杂模式和关系的能力。
Inciardi 等人（周三）研究了这个问题。