banner
Casa / Notizia / Ottimizzazione stocastica di un meccanismo di reazione dell'ossido di uranio utilizzando misurazioni del reattore a flusso di plasma
Notizia

Ottimizzazione stocastica di un meccanismo di reazione dell'ossido di uranio utilizzando misurazioni del reattore a flusso di plasma

May 11, 2023May 11, 2023

Rapporti scientifici volume 13, numero articolo: 9293 (2023) Citare questo articolo

Dettagli sulle metriche

In questo lavoro, un approccio accoppiato con algoritmo genetico Monte Carlo (MCGA) viene utilizzato per ottimizzare un meccanismo di reazione dell'ossido di uranio in fase gassosa basato su misurazioni del reattore a flusso di plasma (PFR). Il PFR produce un plasma di Ar stabile contenente specie U, O, H e N con regioni ad alta temperatura (3000–5000 K) rilevanti per l'osservazione della formazione di UO tramite spettroscopia di emissione ottica. Un trattamento cinetico globale viene utilizzato per modellare l'evoluzione chimica nel PFR e per produrre segnali di emissione sintetici per il confronto diretto con gli esperimenti. Lo spazio dei parametri di un meccanismo di reazione dell'ossido di uranio viene quindi esplorato tramite campionamento Monte Carlo utilizzando funzioni obiettivo per quantificare l'accordo modello-esperimento. I risultati Monte Carlo vengono successivamente perfezionati utilizzando un algoritmo genetico per ottenere una serie di percorsi di reazione e coefficienti di velocità confermati sperimentalmente. Dei 12 canali di reazione target per l'ottimizzazione, quattro canali sono risultati ben vincolati in tutte le esecuzioni di ottimizzazione mentre altri tre canali sono vincolati in casi selezionati. I canali ottimizzati evidenziano l'importanza del radicale OH nell'ossidazione dell'uranio nel PFR. Questo studio comprende un primo passo verso la produzione di un meccanismo di reazione completo validato sperimentalmente per la formazione di specie molecolari di uranio in fase gassosa.

La cinetica di reazione degli ossidi metallici in fase gassosa è di ampia rilevanza per molti campi di ricerca, tra cui l'astrofisica, la scienza della combustione, l'ingegneria nucleare e la chimica dei materiali in ambienti estremi. Negli ultimi anni, quest'ultimo campo ha prodotto numerosi lavori sperimentali e computazionali sulla chimica del vapore dell'ossido di uranio (\({{\mathrm{UO_x}}}\))1. I prodotti in fase gassosa degli ossidi refrattari, come \({{\mathrm{UO_x}}}\), sono stati storicamente difficili da produrre a causa delle elevate temperature di vaporizzazione degli ossidi genitori. Più recentemente, i sistemi al plasma termico hanno fornito una strada per produrre facilmente metalli in fase gassosa e studiarne la chimica in ambienti reattivi. Tuttavia, i rapidi tempi di spegnimento, la presenza di radicali di fondo e la formazione di ossidi intermedi volatili in tali sistemi rendono difficile isolare canali di reazione specifici per lo studio. Problemi simili sorgono in altri sistemi reattivi ad alta temperatura come i combustibili per combustione di metalli. Di conseguenza, i meccanismi di ossidazione dei metalli in fase gassosa sono spesso basati su scarsi dati sperimentali e stime teoriche di primo ordine, come per la formazione di ossido di alluminio2,3,4. Allo stesso modo, un meccanismo di reazione \({{\mathrm{UO_x}}}\) è stato costruito utilizzando una metodologia comparabile nel nostro lavoro precedente5. Sebbene tali meccanismi producano risultati qualitativamente ragionevoli che possono allinearsi con alcuni osservabili sperimentali, è difficile ottenere una validazione sperimentale dettagliata. Questa fase di convalida è fondamentale per garantire che il meccanismo cinetico chimico possa essere utilizzato in modo predittivo per informare i modelli successivi. Qui, esploriamo un metodo per dedurre i coefficienti di velocità dell'ossido di uranio (\({{\mathrm{UO_x}}}\)) basato su misurazioni sperimentali da un sistema di plasma termico.

A causa della natura fortemente accoppiata e non lineare della cinetica chimica nei plasmi di uranio, l'estrazione delle informazioni sulla velocità di reazione richiede la risoluzione di un problema di ottimizzazione. In questo problema, i parametri del modello sottostante (coefficienti di velocità) sono determinati sulla base dei risultati osservati (cioè informazioni spettroscopiche). Risolvere un problema del genere con metodi deterministici basati sul gradiente è difficile a causa dello spazio dei parametri potenzialmente complesso con numerosi minimi locali. In questo caso si deve invece utilizzare un metodo di ottimizzazione in grado di esplorare continuamente l'intero spazio dei parametri individuando il minimo globale. Uno di questi metodi precedentemente utilizzato per problemi di cinetica chimica è l'algoritmo genetico Monte Carlo (MCGA)6. Questa tecnica si adatta bene al problema attuale grazie alla sua efficacia nell’evitare la convergenza sui minimi locali e alla sua facilità di implementazione. Indipendentemente dalla metodologia, la risoluzione di un problema di ottimizzazione richiede valutazioni ripetute del modello associato, spesso da migliaia a milioni di esecuzioni. Mentre si ottengono tempi di calcolo ragionevoli quando si risolve la cinetica chimica in un sistema spazialmente uniforme, il problema diventa rapidamente irrealizzabile quando la chimica è accoppiata al trasporto di fluidi complessi. Questa considerazione diventa importante quando si sceglie un sistema sperimentale per informare il problema di ottimizzazione.

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>