Physics-Constrained Neural Identification of Thermal Kinetic Parameters from Multi-Rate Thermogravimetric Data

技术摘要：物理约束神经网络识别热动力学参数

问题陈述
可靠地估算热动力学参数（活化能 $E_a$、指前因子 $A$ 和反应级数 $n$）对于生物质热解、废物转能源化及热回收的安全设计与规模化生产至关重要。然而，从热重分析（TGA）数据中提取这些参数是一个病态反问题。传统方法面临三个主要挑战：

1. 强相关性： 阿伦尼乌斯参数 $A$ 和 $E_a$ 具有高度相关性，导致解不唯一。
2. 噪声放大： 基于导数的方法（例如 Friedman 分析）会放大测量噪声，从而降低准确度。
3. 泛化能力有限： 在单一升温速率下推断出的参数往往无法预测其他未见升温速率下的转化曲线。

虽然机器学习提供了新的模式识别能力，但纯数据驱动的模型往往违反物理一致性，无法代表符合物理规律的热过程，也无法进行可靠的外推。

方法论
作者提出了一种物理约束神经网络识别框架，该框架能够同时重建转化曲线并从多速率非等温 TGA 数据中估算阿伦尼乌斯三元组。该方法将控制微分方程直接集成到神经网络的训练目标中。

• 神经代理模型： 一个前馈神经网络 $z_\theta(\tilde{T}, \tilde{\beta})$，将归一化温度和升温速率映射为一个无约束标量。转化率 $\alpha$ 被表示为一个有界函数，使用 Sigmoid 激活函数：$\alpha_\theta(T, \beta) = \sigma(z_\theta)$。这确保了物理上可容许的转化率值（$0 \le \alpha \le 1$）。
• 可微物理： 使用自动微分来计算动力学方程所需的温度导数 $\partial \alpha_\theta / \partial T$，从而避免了有限差分带来的噪声放大。
• 参数化： 为了保证正定性并改善条件数，动力学参数通过无约束的可训练变量（$q_E, q_A, q_n$）进行重参数化，并通过 Sigmoid 函数映射到特定的物理范围（例如 $E_a \in [50, 300]$ kJ mol$^{-1}$）。
• 复合目标函数： 训练损失（$L$）结合了五个组成部分：
  1. 数据失配 ($L_{data}$)： 预测转化率与观测转化率之间的均方误差。
  2. 物理残差 ($L_{phys}$)： 动力学方程残差的均方误差：$\beta \frac{\partial \alpha}{\partial T} - A \exp(-E_a/RT)(1-\alpha)^n$。
  3. 初始条件 ($L_0$)： 对起始温度处非零转化的惩罚。
  4. 单调性 ($L_{mono}$)： 确保分解速率为非负值的惩罚。
  5. 正则化： 对网络权重的权重衰减。
     一种自适应加权策略在优化过程中平衡数据项和物理项。

实验设计（基准测试）
本研究利用受控的计算基准而非实验数据来建立一个可重复的基准。

• 参考模型： 一个广义的 $n$ 阶分解律（$f(\alpha) = (1-\alpha)^n$），已知参数为（$E_a = 155$ kJ mol$^{-1}$，$A = 2.50 \times 10^{10}$ s$^{-1}$，$n = 1.35$）。
• 数据生成： 使用四个升温速率（5, 10, 15, 20 K min$^{-1}$）生成的合成 TGA 曲线进行训练。
• 盲预测： 扣除中间速率（7.5 和 12.5 K min$^{-1}$）以测试外推能力。
• 噪声注入： 在标准差为 0%、0.25% 和 0.5% 的情况下向转化率数据中添加高斯噪声。

关键结果

• 参数恢复： 在噪声水平为 0.25%（0.0025 标准差）时，该方法高精度地恢复了动力学参数：
  • $E_a$: 155.08 kJ mol$^{-1}$（参考值: 155；误差 $\approx 0.05\%$）
  • $A$: $2.551 \times 10^{10}$ s$^{-1}$（参考值: $2.50 \times 10^{10}$；误差 $\approx 2.0\%$）
  • $n$: 1.356（参考值: 1.35；误差 $\approx 0.47\%$）
• 盲预测： 模型准确预测了未见升温速率下的转化曲线（7.5 和 12.5 K min$^{-1}$），实现了 RMSE 为 $2.39 \times 10^{-4}$ 且 $R^2 > 0.999999$。
• 消融分析： 与“仅数据”神经回归和直接动力学最小二乘法进行对比，结果表明：
  • “仅数据”模型虽然拟合了采样曲线，但无法识别出一致的动力学三元组，且在未见速率下的表现较差。
  • 物理约束方法对于稳定的参数识别和跨速率预测是必不可少的。
  • 单调性约束防止了在转化率平台期附近出现局部导数违规。

意义与主张
本文声称提供了一条用于 AI 辅助动力学分析的可解释路径。通过将阿伦尼乌斯定律作为残差约束嵌入其中，该方法确保了学习到的模型代表的是一个物理上可容许的热过程，而不仅仅是单纯的曲线拟合。

作者强调，这项工作旨在作为一个受控的计算基准。他们明确指出，本研究并未声称拥有实验室测量数据。其意义在于建立了一个可重复的基准，在经过必要的预处理（如浮力校正、基线处理）后，可以迁移到实验性的 TGA 数据中。

该框架被认为可以直接扩展到复杂的多步系统（例如涉及半纤维素、纤维素和木质素的生物质热解；聚合物分解；电池材料降解），方法是将单步定律替换为并行反应的加权和。然而，作者提醒，对于实际应用，该方法需要针对重复实验数据进行验证，并应结合不确定性量化（例如贝叶斯分析）来解决结构性不可识别性和模型偏差问题。