Physics-Informed Deep Neural Operator for Estimation of kinetic parameters in distributed activation energy model for parallel reaction systems

Resumen Técnico: Operador de Red Neuronal Profunda Informado por la Física para la Estimación de Parámetros Cinéticos en Sistemas de Reacción en Paralelo

Planteamiento del Problema
El análisis termogravimétrico (TGA) es una herramienta crítica para caracterizar la estabilidad térmica y los mecanismos de descomposición de materiales. Sin embargo, estimar con precisión los parámetros cinéticos para sistemas de pirólisis complejos de múltiples pasos sigue siendo un desafío significativo. Los métodos tradicionales (por ejemplo, Freeman–Carroll, Kissinger, Coats–Redfern) suelen centrarse en modelos de un solo paso o requieren supuestos previos específicos sobre los mecanismos de reacción. Si bien el Modelo de Energía de Activación Distribuida (DAEM) ofrece un marco flexible para describir la cinética compleja como una superposición de reacciones de primer orden en paralelo, resolver el problema inverso asociado es difícil. Los enfoques convencionales suelen depender de la optimización iterativa para minimizar la discrepancia entre las curvas de conversión predichas y las experimentales. Estos métodos son computacionalmente costosos, propensos a problemas de convergencia y a menudo requieren prescribir la forma funcional de la distribución de la energía de activación (por ejemplo, Gaussiana), lo que puede no reflejar la física subyacente real de los materiales heterogéneos.

Metodología
Los autores proponen un enfoque novedoso utilizando un Operador de Red Neuronal Profunda Informado por la Física (PI-DeepONet) para estimar los parámetros cinéticos del DAEM discreto sin optimización iterativa ni supuestos de distribución previos.

• Formulación Matemática: El estudio adopta una aproximación discreta del DAIM, modelando la conversión global $\alpha(t)$ como una suma ponderada de $N$ reacciones de primer orden en paralelo. Las leyes cinéticas están gobernadas por la ecuación de Arrhenius, donde el objetivo es determinar los factores preexponenciales ($A_i$), las energías de activación ($E_i$) y los pesos ($c_i$) dados los datos de conversión experimental y las velocidades de calentamiento.
• Marco de Aprendizaje de Operadores: En lugar de tratar la estimación de parámetros como un problema de optimización inverso estándar, los autores lo plantean como una tarea de aprendizaje de operadores. Definen un operador $G$ que mapea el espacio de funciones de entrada (curva de conversión $\alpha(t)$ y velocidad de calentamiento $\beta$) directamente al espacio de parámetros de salida ($A_i, E_i$).
• Arquitectura de la Red: El PI-DeepONet consta de dos subredes:
  • Red de Rama (Branch Net): Codifica el perfil de conversión de entrada $\alpha(t)$.
  • Red de Tronco (Trunk Net): Codifica la velocidad de calentamiento $\beta$.
  • Los resultados se combinan para predecir los parámetros cinéticos.
• Función de Pérdida Informada por la Física: Para asegurar la consistencia física y reducir la necesidad de grandes conjuntos de datos emparejados, la función de pérdida combina dos componentes:
  1. Error de Predicción de Parámetros: La diferencia entre los parámetros cinéticos predichos y los objetivos (durante la fase de entrenamiento).
  2. Error de Reconstrucción Física: Los parámetros predichos por la red se introducen de nuevo en las ecuaciones DAEM gobernantes para reconstruir la curva de conversión. La pérdida incluye la discrepancia entre esta curva reconstruida y la curva de entrada original.
• Estrategia de Datos: El modelo se entrena con datos sintéticos generados mediante la resolución numérica del problema directo del DAEM a través de un amplio rango de valores de parámetros. El preprocesamiento de datos implica transformaciones logarítmicas para asegurar salidas positivas para los parámetros físicos.

Contribuciones Clave

1. Aprendizaje de Operadores para Problemas Inversos: El estudio aplica el marco PI-DeepONet al dominio específico de la cinética de pirólisis, tratando la estimación de parámetros como un mapeo directo del espacio de funciones al espacio de parámetros.
2. Eficiencia y Predicción Directa: A diferencia de los métodos iterativos tradicionales, el enfoque propuesto requiere solo una fase de entrenamiento. Una vez entrenado, puede predecir directamente los parámetros cinéticos a partir de los datos de conversión experimental en una sola pasada hacia adelante, eliminando la necesidad de una optimización repetida.
3. Sin Supuestos Previos: El método no requiere prescribir la forma de la distribución de la energía de activación (por ejemplo, Gaussiana) ni asumir factores preexponenciales constantes en todas las reacciones, lo que permite una representación más flexible de los sistemas de reacción complejos.
4. Validación: El método es probado rigurosamente tanto en modelos de reacción de un paso como de dos pasos sintéticos, y se valida contra datos experimentales de TGA para el oxalato de calcio monohidratado.

Resultos

• Desempeño de Datos Sintéticos:
  • Modelo de un Paso: El modelo logró una precisión extremadamente alta, con errores relativos $L_2$ en la reconstrucción de la conversión por debajo de $10^{-3}$ y coeficientes de determinación ($R^2$) superiores a 0.99999 en diversas velocidades de calentamiento.
  • Modelo de Dos Pasos: El enfoque estimó con éxito los parámetros para un sistema de dos pasos más complejo. Aunque los errores fueron ligeramente mayores que en el caso de un paso, los valores de $R^2$ se mantuvieron por encima de 0.999, y las curvas de conversión y de velocidad de reacción reconstruidas coincidieron estrechamente con los valores objetivo.
• Validación Experimental:
  • El modelo se aplicó a datos experimentales de TGA de oxalato de calcio monohidratado, un material conocido por su descomposición distintiva de múltiples pasos (deshidratación, liberación de CO y eliminación de CO2).
  • Para el primer paso de reacción, los parámetros cinéticos predichos produjeron curvas de conversión y pérdida de masa que concuerdan bien con las mediciones experimentales.
  • Para los primeros dos pasos combinados, las curvas reconstruidas también demostraron una estrecha concordancia con los datos experimentales, confirmando la capacidad del método para manejar etapas de reacción superpuestas en escenarios del mundo real.

Significancia y Reivindicaciones
El artículo afirma que el enfoque PI-DeepONet proporciona una solución eficiente y fiable para el análisis cinético en línea de sistemas de pirólisis complejos de múltiples pasos. Al integrar las leyes físicas directamente en la arquitectura del operador neuronal, el método supera los cuellos de botella computacionales y las dificultades de convergencia asociadas con los resolvedores inversos iterativos tradicionales. Los autores enfatizan que su método permite la predicción directa de parámetros tras un único procedimiento de entrenamiento, lo que lo hace adecuado para aplicaciones de ingeniería práctica donde se requiere un análisis rápido de los datos termogravimétricos.

El estudio reconoce las limitaciones, señalando que el marco actual asume que el número de reacciones en paralelo ($N$) se conoce de antemano y que los resultados se basan en datos relativamente limpios. Se propone trabajo futuro para abordar la determinación automática de $N$, la robustez ante el ruido de medición y la aplicación a componentes complejos de biomasa (celulosa, hemicelulosa, lignina). Sin embargo, dentro del alcance de este trabajo, el método se presenta como un avance significativo en la velocidad y fiabilidad de la estimación de parámetros cinéticos para modelos de energía de activación distribuida.