Az előadás letöltése folymat van. Kérjük, várjon

Az előadás letöltése folymat van. Kérjük, várjon

Reakciómechanizmusok vizsgálata Turányi Tamás ELTE Kémiai Intézet Reakciókinetikai Laboratórium 2012.

Hasonló előadás


Az előadások a következő témára: "Reakciómechanizmusok vizsgálata Turányi Tamás ELTE Kémiai Intézet Reakciókinetikai Laboratórium 2012."— Előadás másolata:

1 Reakciómechanizmusok vizsgálata Turányi Tamás ELTE Kémiai Intézet Reakciókinetikai Laboratórium 2012.

2 1. Bevezetés

3 Matematikai módszerek a reakciókinetikában Részletes összetett reakciómechanizmusok vizsgálata Reakcióutak vizsgálata Érzékenység-analízis Bizonytalanság-analízis Időskála-analízis Reakciómechanizmusok redukciója Mérési adatok feldolgozása (alkalmazott statisztika)  Keszei, Szepesváry Numerikus módszerek reakció-diffúzió rendszerek szimulációjára  Lagzi István László (BME), Izsák Ferenc (ELTE Mat. Int.)

4 „Reakciómechanizmusok vizsgálata” könyv ELTE TTK könyvtár: 2 példányuk van Internetes ár: 2550,- Ft Kapható a könyvárusnál a Kémiai Intézet bejáratánál Web oldal: - tartalomjegyzék - 3 fejezet (egy része) Később: - recenziók - helyesbítések A speci tankönyve: Turányi Tamás Reakciómechanizmusok vizsgálata Akedémiai Kiadó, 2010

5 2. Reakciókinetikai alapismeretek

6 Reakciókinetikai alapismeretek 2 H 2 + O 2 = 2 H 2 O 0 = - 2 H 2 -1 O H 2 O Kémiai változások leírása sztöchiometriai (bruttó) egyenlettel: megmutatja a reaktánsok és termékek arányát általában nem játszódik le fizikailag 1 = - 2 A 1 = „H 2 ” 2 = - 1 A 2 = „O 2 ” 3 = + 2 A 3 = „H 2 O” sztöchiometriai együttható: (reaktánsra negatív, termékekre pozitív elemek) Az anyagfajták sorrendje tetszőleges; A sztöchiometriai együtthatók szorzótényező erejéig határozatlanok

7 Reakciósebesség koncentrációváltozási sebesség: reakciósebesség: Y j az A j moláris koncentrációja [mól dm -3 ] kis koncentrációtartományban mindig igaz: k reakciósebességi együttható  j reakciórend a j-edik anyagfajtára bruttó reakciórend

8 Összetett reakciómechanizmusok Szinte mindig sok reakciólépés játszódik le egyszerre: bal oldali sztöchiometriai együtthatók mátrixa elemi reakció: összegük legfeljebb 2; nulla vagy pozitív egész szám nem elemi reakció: nulla vagy tetszőleges pozitív egész szám jobb oldali sztöchiometriai együtthatók mátrixa elemi reakció: összegük legfeljebb 2; nulla vagy pozitív egész szám nem elemi reakció: tetszőleges valós szám (lehet nulla, negatív, tört stb.) sztöchiometriai együtthatók mátrixa (INFORMÁCIÓVESZTÉS !!!) A reakciólépések lehetnek elemi reakciók, amik fizikailag így játszódnak le, de lehetnek több elemi reakció összevonásából kapott reakciólépések

9 Kinetikai differenciálegyenlet-rendszer tömeghatás törvénye (Guldberg és Waage, 1865): Kinetikai differenciálegyenlet-rendszer: k i i-edik reakciólépés reakciósebességi együtthatója r i i-edik reakciólépés sebessége Kinetikai differenciálegyenlet-rendszer mátrix-vektor alakban:

10 Ezeket fogjuk leggyakrabban vizsgálni Reakciókinetikai kezdeti érték probléma: Jacobi mátrix: általában koncentrációfüggő F-mátrix: koncentrációfüggő

11 Kinetikai differenciálegyenlet-rendszer: egy példa Belouszov-Zsabotyinszkij oszcilláló reakció (egyik) Oregonátor modellje: 1.X + Y  2 Pk 1 r 1 = k 1 xy 2.Y + A  X + Pk 2 r 2 = k 2 ya 3.2 X  P + Ak 3 r 3 = k 3 x 2 4.X + A  2 X + 2 Zk 4 r 4 = k 4 xa 5.X + Z  0,5 X + Ak 5 r 5 = k 5 xz 6.Z + M  Y – Zk 6 r 6 = k 6 zm X = HBrO 2 Y = Br  Z = Ce 4+ A = BrO 3  P = HOBr M = malonsav 80 reakciólépést tartalmazó mechanizmust lehetett redukálni erre a 6 reakcióra. Negatív és tört jobb oldali sztöchiometriai együtthatók!

12 Kinetikai differenciálegyenlet-rendszer: egy példa 2. X = HBrO 2 diffegyenlettel számítjuk Y = Br  diffegyenlettel számítjuk Z = Ce 4+ diffegyenlettel számítjuk A = BrO 3  állandó koncentrációjú P = HOBrcsak termék M = malonsavállandó koncentrációjú    1.X + Y  2 P 2.Y + A  X + P 3.2 X  P + A 4.X + A  2 X + 2 Z 5.X + Z  0,5 X + A 6.Z + M  Y – Z

13 Jacobi-mátrix számítása

14 F-mátrix számítása

15 Jacobi-mátrix sajátérték-sajátvektor felbontása Jacobi-mátrix sajátérték-sajátvektor felbontása: sajátértékeket tartalmazó diagonális mátrix (komplex sajátértékek!) baloldali sajátvektorok (sorvektorok) mátrixa jobboldali sajátvektorok (oszlopvektorok) mátrixa A bal- és jobboldali sajátvektorok ortonormáltak: Ennek következtében: Jacobi-mátrix nagyon fontos, mert megadja, hogyan változik f i ha Y j megváltozik! J csak elsőrendű fogyasztó és nulladrendű termelő reakciókat tartalmazó rendszerekben állandó (egyébként nem!).

16 Merev differenciálegyenlet-rendszerek Jacobi-mátrix sajátérték-sajátvektor analízise: merevség = |Re( 1 )|/|Re( n )| Nagyon merev (stiff) diffegyenletrendszer  csak különleges algoritmussal oldható meg  a lépéshossz változik a merevséggel

17 Kinetikai diffegyenletrendszer tulajdonságai Egy anyag koncentrációváltozási sebességére felírt differenciálegyenlet- rendszer csak elsőrendű deriváltat tartalmaz, ami a koncentrációk nem feltétlenül lineáris függvénye.  elsőrendű nemlineáris differenciálegyenlet-rendszer Mivel általában minden anyag több reakcióban is részt vesz, ezért anyagok koncentrációváltozásai erősen csatoltak.  erősen csatolt A reakciók sebessége igen sok nagyságrendet átfog. (égéskémiában 8, légkörkémiában: 24)  erősen merev Légkörkémiai modellekben a reakciók sebességi állandói explicit módon függhetnek az időtől, mert a nyomás, a hőmérséklet és a sugárzási viszonyoktól függenek az időponttól.  lehet autonóm és nem autonóm A valós folyamatok többnyire térben inhomogének, így a kémiai folyamatok mellett transzport és más fizikai folyamatokkal is számolni kell.  parciális diffegyenlet-rendszer, kémiai forrástaggal

18 Trajektória zárt kinetikai rendszer: A koncentrációk addig változnak, amíg a (termodinamikai) egyensúlyi pontba nem érnek. nyílt kinetikai rendszer: Folyamatosan adagoljuk a reaktánsokat és eltávolítjuk a termékeket. Pl. jet-stirred gas reactor, PSR: perfectly stirred reactor CSTR: continuous stirred tank reactor, continuous-flow stirred tank reactor trajektória: a megoldás pályája a koncentrációtérben zárt kinetikai rendszer trajektóriája: kezdeti koncentrációk  egyensúlyi pont nyílt kinetikai rendszer trajektóriája: kezdeti koncentrációk  stacionárius pont kezdeti koncentrációk  zárt görbe (határciklus) kezdeti koncentrációk  furcsa attraktor (kaotikus rendszer)

19 Trajektória Mozgás a koncentrációtérben: Ez az ábra az időt nem tartalmazza, de néha érdekesebb, mint a koncentráció  idő görbék. A  B  reakció

20 Megőrzött tulajdonságok conserved properties Izolált rendszer: Az összes entalpia állandó Zárt kinetikai rendszerben a koncentrációk összege állandó, ha minden reakciólépés mólszám-megőrző: (igaz formális rendszerekre is!) Zárt kinetikai rendszerben, elemi reakciók esetén: Az elemek száma állandó Atomcsoportok (pl. benzolgyűrű) száma állandó lehet Megőrzött tulajdonság C-atom  2 [C 2 H 4 ] + 1 [CH 4 ] + 6 [C 6 H 6 ] = állandó H-atom  4 [C 2 H 4 ] + 4 [CH 4 ] + 6 [C 6 H 6 ] = állandó A koncentrációk lineáris kombinációja állandó; Ahány megőrzött tulajdonság, annyi ilyen összefüggés! N megőrzőtt tulajdonság: A sztöchiometriai mátrix rangja N-el csökken  N-el kevesebb (n-N) változóval is pontosan szimulálható minden koncentráció!

21 A reakciókinetika gyakorlati jelentősége Légkörkémiai folyamatok modellezése légszennyezés előrejelzése (időjárás előrejelzést igényel) kibocsátási korlátok megállapítása Égések, robbanások modellezése Pl. erőművek, kazánok, motorok hatásfok optimalizálása szennyezőanyag-kibocsátás csökkentése Vegyi üzemek, gyártási folyamatok modellezése hatásfok és környezetvédelem optimalizálása Biokémiai folyamatok modellezése (systems biology) Metabolizmus hálózatok (pl. gyógyszerlebomlás leírása) Molekuláris jelterjedés Sejtciklus modellezése Reakciókinetikai formalizmussal leírt nem kémiai modellek Ragadozó-áldozat modellek (predator-prey models) Ökológiai rendszerek

22 3. Reakcióutak

23 Reakcióutak Általában a könyvekben nem árulják el, hogyan készültek a reakciófluxus ábrák. Warnatz J., Maas U., Dibble R. W. Combustion. Physical and chemical fundamentals, modeling and simulation, experiments, pullutant formation Springer, New York, 1996 tüzelőanyagban gazdag metán-levegő láng Reakcióutak: milyen anyagból milyen anyag lesz? Reakciófluxusok: A nyilak vastagsága arányos az átalakulás sebességével

24 Reakció fluxusok „minden nyíl egy reakciólépést jelöl” „a nyíl vastagsága arányos a reaktáns fogyási sebességével” S.R. Turns : An introduction to combustion. Concepts and applications. second edition, Boston, McGraw-Hill, Nem jó ötlet, mert különböző vastagú egymás utáni nyilakhoz azonos fluxusok tartozhatnak  Megőrzött változó fluxusát kell ábrázolni !!!  elemfluxusok (Revel et al., 1994)

25 CH 3 + C 3 H 7 => C 4 H 8 + H 2 reakciósebesség= r 1 H-atomok száma: H-atomok száma a bal oldalon: 10 H-atomok fluxusa az egyik anyagfajtáról a másikra: CH 3  C 3 H 7 0 CH 3  C 4 H 8 3/10*8*r 1 = 2.4*r 1 CH 3  H 2 3/10*2*r 1 = 0.6*r 1 C 3 H 7  CH 3 0 C 3 H 7  C 4 H 8 7/10*8*r 1 = 5.6*r 1 C 3 H 7  H 2 7/10*2*r 1 = 1.4*r 1 CH 3 C4H8C4H8 H2H2 C3H7C3H7 Elemfluxusok

26 Elemfluxus számítása KINALC-al c ATOMFLOW Fluxes of elements from species to species are investigated c The name(s) of elements are listed after the keyword. c Usage: ATOMFLOW... ATOMFLOW C H === ATOMFLOW =============================== Fluxes of elements from species to species Net fluxes of element H absolute rel. 1 H2 => H2O 6.843E-02 mole/(cm3 sec) H2 => H 4.584E-02 mole/(cm3 sec) OH => H2O 4.034E-02 mole/(cm3 sec) H => OH 3.360E-02 mole/(cm3 sec) H => HO E-02 mole/(cm3 sec) OH => H 2.302E-02 mole/(cm3 sec) HO2 => OH 1.797E-02 mole/(cm3 sec) H2 => OH 1.162E-02 mole/(cm3 sec) H => H E-03 mole/(cm3 sec) H => H2O 4.084E-03 mole/(cm3 sec) HO2 => H E-03 mole/(cm3 sec) HO2 => H2O 2.689E-03 mole/(cm3 sec) OH => H E-03 mole/(cm3 sec) H2O => OH 7.891E-04 mole/(cm3 sec) OH => H2O E-04 mole/(cm3 sec) H2O => H E-04 mole/(cm3 sec) H2O2 => H2O 5.367E-04 mole/(cm3 sec) H2O2 => OH 2.131E-04 mole/(cm3 sec).0031

27 KINALC  FluxViewer KINALC eredményét jobb lenne ábrán (is) látni.  FluxViewer: JAVA program az elemfluxusok megjelenítésére - Az anyagok cimkéi mozgathatók - A nyilak vastagsága a log elemfluxusokkal arányos - a nyilak vastagsága változtatható - rajzok vagy mozifilm

28 C-fluxusok,  =1.0, metán-levegő láng T= 815 K

29 T=1155 K C-fluxusok,  =1.0, metán-levegő láng

30 T=1500 K C-fluxusok,  =1.0, metán-levegő láng

31 T=1805 K C-fluxusok,  =1.0, metán-levegő láng

32 T=1865 K C-fluxusok,  =1.0, metán-levegő láng

33 T=1915 K C-fluxusok,  =1.0, metán-levegő láng

34 C-fluxusok Különböző elem-fluxusok összehasonlítása metán-levegő robbanás (  =1.0, T=1800 K)

35 O-fluxusok Különböző elem-fluxusok összehasonlítása metán-levegő robbanás (  =1.0, T=1800 K)

36 Különböző elem-fluxusok összehasonlítása metán-levegő robbanás (  =1.0, T=1800 K) H-fluxusok

37 4. Érzékenységanalízis és bizonytalanságanalízis

38 Az érzékenységanalízis matematikai módszerek egy családja. Azt vizsgálja, hogyan függ a modellek eredménye a paraméterek értékétől. Lokális érzékenységanalízis: paraméterek kis megváltoztatásának hatása. Lokális érzékenységi együttható számítása véges differencia közelítéssel: t 1 időpontban megváltoztatjuk a paramétert és t 2 időpontban megnézzük a változtatás hatását Lokális érzékenység-analízis

39 Lokális érzékenységanalízis 2 Lokális érzékenységi együttható: Lokális érzékenységi mátrix: Egy paraméter megváltoztatása: A lokális érzékenységek alapján becsülhető a paraméterváltoztatás hatása: Egy másik megközelítés: Taylor-sor közelítés Több paraméter megváltoztatása:

40 Lokális érzékenységanalízis 3 Ugyanez mátrix-vektor felírással: ahol közvetett hatásközvetlen hatás Ezt az egyenletet deriváljuk p j szerint, az eredmény:

41 Kezdeti koncentrációk szerinti érzékenységek véges differenciával: Kinetikai differenciálegyenlet-rendszer: t 1 időpontban megváltoztatjuk az j-edik változó értékét és a t 2 időpontban megnézzük a változtatás hatását. Kezdeti koncentráció szerinti érzékenységek Ezt az egyenletet deriváljuk Y j (t 1 ) szerint, az eredmény: Green-függvény mátrix G

42 Az együttes megoldás megismétlése minden paraméterre: 1. A véges differencia közelítés szerinti számítás (brute force method: a nyers erő módszere) Lokális érzékenységek számítása 2. Direkt módszer (direct method) 2a. Csatolt direkt módszer (coupled direct method): a kinetikai és az érzékenységi egyenletek megoldása együtt: Mindenképpen felesleges számításokkal jár.  p j kicsi: számábrázolás okozta hiba  p j nagy: nemlinearitás okozta hiba

43 A fenti egyenletek Jacobi mátrixa azonos  Jacobi mátrix háromszög mátrix-szá alakítása  Jacobi mátrix alapján  t lépéshossz választása  Y változóvektor új értéke az új időpontban  a korábban kiszámított háromszögmátrix felhasználásával az érzékenységi diffegyenlet megoldása  újra lépés az időben     Lokális érzékenységek számítása 2. 2b. Szétcsatolt direkt módszer (decoupled direct method): a kinetikai és az érzékenységi egyenletek megoldása együtt: gyors algoritmus: - több száz paraméter esetén is csak 2-3-szor több gépidőbe kerül az összes érzékenységi együttható kiszámítása - érzékenységi együtthatók pontossága becsülhető

44 Lokális érzékenységek értelme Bruttó érzékenység: Egységnyi paraméterváltoztatás hány egységnyi eredmény változást okoz? [eredmény egysége / paraméter egysége] Normált érzékenység: 1 % paraméterváltoztatás hány % eredmény változást okoz? dimenziómentes Eddig egyetlen paraméter megváltoztatásának hatását nézzük egyetlen modelleredményre Érdekelhet minket egyetlen paraméter megváltoztatásának hatása egyszerre több modelleredményre:

45 PCAS: az érzékenységi mátrix főkomponens analízise Ha egyszerre több paramétert változtatunk és több modelleredmény megváltozását figyeljük: A paraméterváltoztatás hatását egy célfüggvényen mérjük le:

46 PCAS: az érzékenységi mátrix főkomponens analízise 2. ahol a t r időponthoz tartozó normált érzékenységi mátrix: A célfüggvény az alábbi alakkal közelíthető:

47 PCAS: az érzékenységi mátrix főkomponens analízise 3. Ez a kvadratikus alak egy (hiper)ellipszist határoz meg: 2D ellipszis 3Drögbi-labda 4Dhiperrögbi-labda A (hiper)ellipszist egy másik egyenértékű megadása: - a tengelyek hossza - a tengelyek iránya a paramétertérben mátrix sajátérték-sajátvektor felbontása: i i-edik sajátérték = i-edik tengely hossza ha i kicsi: abba az irányba gyorsan emelkedik a célfüggvény i-edik paramétercsoport hatásos u i i-edik sajátértékhez tartozó sajátvektor i-edik tengely iránya

48 PCAS: az érzékenységi mátrix főkomponens analízise 4. A célfüggvény másik megadása: Példa: 1 nagy; u 1 = (0,707, 0,707) 2 kicsi; u 1 = (-0,707, 0,707) Megjegyzés: a sajátvektorok egységvektorok:0, ,707 2 = 1 Ahol A főkomponensnek nevezett transzformált paramétervektor

49 PCAS: az érzékenységi mátrix főkomponens analízise 5. Példa: 1 kicsi; 1. tengely hosszú; u 1 = (0,707, 0,707) 2 nagy; 2. tengely rövid; u 2 = (-0,707, 0,707) 1. tengely hosszú  u 1 irányban megváltoztatva a paramétereket sokáig nem változik a célfüggvény  ha  2 -  1 = ln p 2 - ln p 1 = ln (p 2 /p 1 ) állandó, akkor alig változik a célfüggvény  ha p 2 /p 1 állandó, akkor alig változik a célfüggvény Tehát u = (0,707, 0,707) sajátvektor azt jelenti, hogy a megfelelő paraméterek hányadosát állandónak tartva nem változik meg a szimuláció eredménye

50 PCAS: az érzékenységi mátrix főkomponens analízise 6. Példa 2: u 1 = ( 0,707, 0,707, 0) u 2 = (-0,707, 0,707, 0) u 3 = ( 0, 0, 1) Egy ilyen PCAS eredményt adó rendszerben hogyan kell paramétert becsülni? Ha mindhárom paramétert engedjük változni, akkor végtelen ideig szöszmötöl azon, hogy kicsit növeli az 1. majd kicsit növeli a 2. paramétert. Megoldás: p 1 = 1 legyen rögzített, p 2 és p 3 becsült paraméterek. p 3 függetlenül becsülhető, de a p 2 -re vonatkozó érték tulajdonképpen a p 1 /p 2 hányados értékét adja meg, úgy is kell értelmezni!

51 Lokális érzékenységek felhasználása 1.Modellek elemzése Paraméterperturbáció hatása a modellszámításra Kooperáló paraméterek azonosítása 2.Modellek redukálása Hatástalan paraméterek azonosítása, és így sokkal kevesebb paramétert tartalmazó, ám elegendőn pontos modellek előállítása 3.Lokális bizonytalanságanalízis A globális bizonytalanságanalízisnél kevésbé pontosan, de nagyon kis számításigénnyel ad eredményeket 4.Paraméterbecslés A gradiensmódszerek mindig az érzékenységi együtthatók (rejtett) számításán alapulnak Hatásos paraméterek számának meghatározása Kísérlettervezés

52 Globális érzékenység-analízis Lokális érzékenység analízis: Információt ad egy adott paraméterkészletnél Jól használható, ha a vizsgált paramétertartományban nincs minőségi változás Pontos a paraméterekben lineáris modelleknél. Globális érzékenység analízis: Átvizsgálunk egy (véges) paramétertartományt A lokálishoz képest a globálishoz mindig sok gépidő kell. Megszerzett információ ~ gépidő

53 … Globális érzékenység-analízis A paraméterek bizonytalanságát valószínűségi sűrűségfüggvénnyel (probability density function, pdf) jellemezhetjük. Globális érzékenységanalízis feladatai: 1. A paraméterek pdf-je következtében mi az eredmények pdf-je? 2. Az eredmények szórásának mekkora hányadát okozza egy-egy paraméter?

54 Morris-féle módszer Rostáló módszerek: elsődleges közelítő információ gyorsan Nagy paraméterváltoztatások hatását lehet vizsgálni minden paraméterhez megadjuk annak alsó és felső határát. n részre osztjuk minden paraméter intervallumát kisorsolunk egy véletlen paraméterkészletet minden további futás előtt egyetlen paramétert változtatunk meg a futási eredményeket statisztikailag kiértékeljük nem használja fel a paraméterek val. sűrűségfüggvényét emiatt nem adja meg a megoldás sűrűségfüggvényeét közepes számítási igény p1 p3 p5 p4 p2 p5 p4 p3 p1 p2 p1 p3 p5 p4 p2

55 Morris-féle módszer 2 d ij szám a p j paraméter hatását mutatja meg az összes többi paraméter véletlenszerű értéke esetén: Egy sorozatnál mindig egyszer változtatunk meg egy-egy paramétert. Sokszor (pl. 10) kiszámítjuk a d ij számokat (mindig véletlenszerűen máshogyan) és a kapott d ij értékek várható értékét és szórását számoljuk ki.

56 Monte Carlo módszer Olyan, mint rulettezni Monte Carlo-ban :-) Kisorsolunk több ezer paraméterkészletet úgy, hogy megfeleljen a paraméterek közös pdf-jének. Elvégezzük a szimulációkat A futási eredményeket feldolgozzuk, pl. a megoldás hisztogramjának elkészítése a megoldás várható értékének és szórásának számítása Sok számítógépidőt igényel. Nehéz kiszámítani (elkülöníteni) az egyes paraméterek okozta hatást!

57 Monte Carlo módszer p 1 hisztogramja 100 db ( ,  ) pont  és  véletlen számok [0,1] egyenletes eloszlással Csomósodás és üres foltok!

58 Latin hiperkocka mintavétel Egyenlő valószínűségű sávokat (strata) jelölünk ki. Egy-egy sávon belül véletlenszerűen jelölünk ki pontot. Ha valahol van már pont, oda már nem kerül (8 bástya probléma). egyenletes eloszlás normális eloszlás

59 Monte Carlo módszer Latin hiperkocka mintavétellel p 1 hisztogramja 100 db ( ,  ) pont latin hiperkocka mintavétellel Sokkal egyenletesebb eloszlás!

60 Fourier Amplitude Sensitivity Test (FAST) módszer 150 pont,  s = 0,1 x =0,5 (sin(17s), sin(113s))+0,5 s változtatásával tekerünk nem összemérhető frekvenciájú sin függvényeket:

61 Fourier Amplitude Sensitivity Test (FAST) módszer 2. Y i modell eredmény várható értéke: E(Y i ) A p j paramétert az s skalár tekerésével változtatjuk: Ahol Y i kiszámítható h i kiértékelésével; P pedig p közös pdf-je G j megfelelő megválasztásával tudjuk megkapni P-t.  j a p j paraméterhez tartozó frekvencia: Ezeknek prímeknek kell lenniük. Ha - 

62 Fourier Amplitude Sensitivity Test (FAST) módszer 3. Az N modelleredményt Fourier analízisnek vetjük alá: Ahol  2 (Y i ) az eredmény szórása, A il és B il a Fourier együtthatók: Ha a Fourier együtthatókat az  j frekvenciáknál és felharmonikusaiknál számítjuk, akkor a j-edik paraméter okozta parciális szórást kapjuk meg:

63 Fourier Amplitude Sensitivity Test (FAST) módszer 4. parciális szórás: a teljes szórásnak a j-edik paraméter okozta hányada. A legfontosabb többletinformáció: MC-vel ellentétben felhasználjuk a szimulációk sorrendjét is! (ez többlet gépidőt nem okoz) FAST lassú: N= 1,2 k 2,5 50 paraméter: szimuláció

64 Fourier Amplitude Sensitivity Test (FAST) módszer 5. Az (eredeti) FAST módszernél a paramétertartomány szélére több pont esik. Továbbfejlesztés: G j függvény megfelelő megválasztásával tetszőleges valószínűségfüggvény előállítható.

65 Érzékenységi indexek FAST egyik továbbfejlesztett változata. Y i várható értéke: Saltelli, A., Comput. Phys Commun., 145, 280(2002) Y i szórásnégyzete: Y i szórásnégyzete, ha a p j paramétert rögzítjük: V(Y i  p j ) Ennek várható értéke:E(V(Y i  p j )) Y i szórásnégyzete, amit p j okoz: V(E(Y i  p j ))=V(Y i )- E(V(Y i  p j )) Az elsőrendű bizonytalansági index (= FAST parciális szórás):

66 Érzékenységi indexek 2. Y i szórásnégyzete, amit p j és p k együttesen okoz:V(E(Y i  p j,p k )) Ebből számítható a másodrendű bizonytalansági index: Ez megadja p j és p k kölcsönhatását. Hasonlóan számítható minden n-edrendű bizonytalansági index. Legyen három paraméterünk: a, b, c a teljes indexe: Ha a j index semmi mással nem korrelál: j index kölcsönhatásai:

67 Érzékenységi indexek 3. globális módszer ez is álvéletlen-számokat használ, hogy az integrálok könnyen kiszámolhatók legyenek paraméterek elsődleges és magasabb rendű hatása a totális hatást is számolja a paraméterek pdf-jét is tekintetbe veszi nagyon számításigényes (50 paraméterre kb futás)

68 HDMR-módszer High Dimensional Model Representation (sokdimenziós modell-leírás): A modell eredményét a paraméterek polinomjaként közelítjük. Az érzékenységi együtthatók a polinom együtthatói. Y(p i )kizárólag a p i paraméter változtatásának hatása Lehet akár nyolcadfokú polinom is! Y(p i,p j )p i és p j paraméterek együttes változtatásának hatása Csak ez a két paraméter, de lehet nagy fokszámú polinom!

69 HDMR-módszer 2 Érzékenységi indexek: Fajtái: vágott HDMR (cut HDMR): Polinom egy adott referenciapontból közelítva véletlen mintavételezésű HDMR (random sampling HDMR, RS-HDMR): Paraméterpontok generálása az értelmes paramétertartományban, majd azokra polinomillesztése. Pl. elsőrendű esetre: Parciális szórások: Közelítés bázisfüggvényekkel:

70 localMorrisMC LHSérz. index input szórása  input pdf  output pdf  output szórása  (lineáris)  (torzított) Gépidő igény? 1 egyedi hozzájárulások  (lineáris)  (csak kvalitatív)  globális?  Info nemlinearitásról   (csak kvalitatív)  A módszerek összehasonlítása

71 Bizonytalanság-analízis

72 bizonytalan paraméterek model bizonytalan eredmények … Bizonytalanság-analízis

73 Reakciókinetikai paraméterek bizonytalansága Tételezzük fel, hogy ln k min és ln k max 3  -val tér el ln k 0 -tól! (D.L. Baulch javaslata) f j bizonytalansági szorzótényezőt ad meg minden gázkinetikai adatgyűjtemény j-edik reakció sebességi együtthatójának ajánlott értéke k j „lehetséges” legkisebb értéke k j „lehetséges” legnagyobb értéke  a sebességi együttható lehetséges tartománya 

74 Termodinamikai adatok bizonytalansága A felhasznált termodinamikai adatok: hőkapacitás (számítható statisztikus termodinamikából) entrópia (számítható statisztikus termodinamikából) standard képződési entalpia (mérik vagy maga szinten számítják) ajánlott értékét és szórását adatbázisok tartalmazzák Korrelált valószínűségi változók-e a képződési entalpiák? A termodinamikai adatok kétféle módon befolyásolják a reakciókinetikai számításokat: számított hőmérséklet fordított irányú reakciók sebességi együtthatójának számítása

75 Kinetikai és termodinamika paraméterek feltételezett valószínűségi sűrűségfüggvénye A Monte Carlo és az érzékenységi index (Saltelli) módszerekhez szükség van a paraméterek valószínűségi sűrűségfüggvényére Kinetikai paraméterek: lognormális eloszlás  j -t az f j bizonytalansági tényezőből számítjuk a lognormális eloszlást  3  (ln k j )-nál levágjuk Képződési entalpiák: normális eloszlás  -t a termodinamikai adatgyűjteményekből vesszük a normális eloszlást  3  -nál levágjuk

76 Lokális bizonytalanság-analízis egyszerre egy paramétert változtatunk; parciális deriváltakon alapul. gyorsan számítható Globális bizonytalanság-analízis minden paramétert egyszerre változtatunk a közös valószínűségi sűrűségfüggvényük alapján sok gépidőt fogyaszt Monte Carlo analízis Latin hiperkocka mintavétellel, FAST, érzékenységi indexek számítása, HDMR Bizonytalanság-analízis Rostáló módszerek Egyszerre több paramétert változtatunk széles paramétertartományban közepes számítógépidő-igény Morris-féle módszer

77 1. A modell szerkezete jó-e? ha vannak jó mérési adataink és ha minden paraméter bizonytalansági tartományát pontosan ismerjük DE sehogy nem kapjuk vissza a mérési adatokat  a modell szerkezete rossz (= az egyenletek rosszak!!!) 3. Mit nem ismerünk pontosan? ha a mérési adatok nagyobb, mint a számított eredmények szórása:  minden OK, de megkapjuk, mely paramétereket kellene jobban ismernük (gyakran csak néhány ilyen paraméter van) Bizonytalanság-analízis: mire jó általában? 2. A modell jól megalapozott-e? ha a paramétereket a bizonytalansági tartományon belül változtatva akármilyen megoldást is megkaphatunk (közte a mérési adatokat is)  a modell teljesen bizonytalan, a paramétereket gyakorlatilag nem ismerjük, a modellre hivatkozni átverés (társadalmi modellek !!!)

78 Lokális bizonytalanság-analízis Ha a paraméterek nem korreláltak, akkor a hibaterjedési szabály alapján a következő módon lehet a modell eredményének szórásnégyzetét számítani: ez az eredmény szórásának egy lineáris közelítése megadja külön-külön a paraméterek hatását gyorsan számítható a kapott eredmény a névleges paraméterkészlethez tartozik gond, ha széles tartományban változnak a paraméterek és ha a modell jellege közben változik nem-lineáris hatásokat nem vesz figyelembe

79 Reakciókinetikai modellek lokális bizonytalanság-analízise f i bizonytalansági faktort átszámítjuk ln k j szórására félig normált lokális érzékenységi együttható k j paraméter hozzájárulása Y i modelleredmény szórásnégyzetéhez Y i szórásnégyzete százalékos bizonytalansági hozzájárulás

80 37 anyagfajtához kigyűjtöttük a képződési entalpiák ajánlott értékét és bizonytalanságát termodinamikai adatbázisokból 175 reakcióhoz megállapítottuk a bizonytalansági paramétereket A vizsgált modellezési eredmények: Legnagyobb lánghőmérséklet, lamináris lángsebesség H, O, OH, CH, CH 2 gyökkoncentrációk maximuma Lamináris metán lángok bizonytalanság analízise részletes metán égési mechanizmus: 37 anyagfajta és 175 reverzibilis reakció

81 paraméterek pdf-je eredmények pdf-je  3000 Monte Carlo szimuláció

82 Sztöchiometrikus, stacionárius 1D metán láng lokális bizonytalanság analízise

83 Lokális és globális bizonytalanságanalízis eredményeinek összehasonlítása (sztöchiometrikus, lamináris metán láng) modell-eredmény lokális globális (Monte Carlo) bizonytalanságanalízisből a szórás lángsebesség 38,1 cm/s 4,6 cm/s 6,2 cm/s max. T 2224,2 K 2,8 K 1,7 K max. w H 2,14x ,7% 12,6% max. w O 1,74x ,3% 10,4% max. w OH 5,27x ,6% 4,0% max. w CH 8,07x ,3% 49,2% max. w CH2 2,54x ,8% 24,0%

84 Monte Carlo analízis szerint az elérhető legkisebb és legnagyobb modell eredmények (sztöchiometrikus, lamináris metán láng) modell-eredmény minimális maximális elérhető érték adott mechanizmussal lángsebesség 38,1 cm/s 21,3 cm/s 61,6 cm/s max. T 2224,2 K 2217,4 K 2228,6 K max. w H 2,14x ,1%144,4% max. w O 1,74x ,9%136,1% max. w OH 5,27x ,4%114,8% max. w CH 8,07x ,5%474,6% max. w CH2 2,54x ,9%219,5%

85 Az egyes paraméterek hozzájárulása a bizonytalansághoz (%) Lokális eredmények  = 1.0

86 Saltelli eredmények  = 1.0 Az egyes paraméterek hozzájárulása a bizonytalansághoz (%)

87  = 0.7 Saltelli eredmények Az egyes paraméterek hozzájárulása a bizonytalansághoz (%)

88  = 1.2 Saltelli eredmények Az egyes paraméterek hozzájárulása a bizonytalansághoz (%)

89 Morris-féle analízis lángsebesség (  =1)

90 A bizonytalanság kinetikai és termodinamikai eredete kinetic thermodynamic felső csík: lokális alsó csík: Saltelli termodinamikai eredetű bizonytalanság aránya 1%-12%, kivéve T és w OH sztöchiometrikus lángban

91 Lokális érzékenységi együtthatók globális bizonytalanság-analízise A lokális érzékenységi együtthatók a névleges paraméterkészlethez tartoznak Különböző paraméterkészletekhez különböző lokális érzékenységi együtthatókat számíthatunk 3000 Monte Carlo szimuláció mindegyikénél lokális érzékenységi együtthatókat is számítottunk Amit számítottunk:  érzékenységek a névleges paraméterkészletnél  érzékenységek szórása,  legkisebb és legnagyobb talált érzékenységi együttható

92 Lokális érzékenységi együtthatók globális bizonytalanság-analízise

93 Metánláng bizonytalanság-analízis: tanulságok A lokális és a Monte Carlo csaknem azonos szórásokat adott Monte Carlo analízis szerint az elfogadható paraméter-tartományban hangolva a paramétereket (mindet egyszerre) kémiai elfogadhatatlan eredményeket is lehet kapni. Sebességi együtthatók: O 2 + H = OH + O O 2 + H + M = HO 2 + M CO + OH = CO 2 + H H + CH 3 + M = CH 4 + M CH 3 + OH = CH 2 (S) + H 2 O C 2 H 2 + OH = C 2 H + H 2 O C 2 H 2 + CH = C 2 H + CH 2 H + CH 2 = CH + H 2 Képződési entalpiák: OH CH 2 (S) CH 2 CH 2 OH CH 2 CHO Pontosabb szimulációs eredményekhez csak néhány sebességi együtthatót és néhány képződési entalpiát kellene jobban (kisebb bizonytalansággal) ismerni:

94 Arrhenius-paraméterek bizonytalansága

95 ln k Arrhenius ábrázolás szerint, ha csak A bizonytalan: 95 ln k Arrhenius ábrázolás szerint, ha A és E is bizonytalan:

96 Sebességi együttható hőmérsékletfüggése Nemlineáris és linearizált alakok 96 kiterjesztett Arrhenius-egyenlet eredeti Arrhenius-egyenlet hatvány-hőmérsékletfüggés: hőmérsékletfüggetlen: A sebességi együttható logaritmusa lineáris az ( , n,  ) származtatott Arrhenius-paraméterekben.

97 k bizonytalanságát adott T hőmérsékleten az f számmal jellemzik: Légkörkémiai adatbázisok (T 0 =298K) IUPAC JPL (NASA) Égéstudományi adatbázisok k logaritmusának szórása k(T) bizonytalansága arányos  (  ) szórásával: 97 A sebességi együttható bizonytalanságának megadásai

98 98 A sebességi együttható bizonytalanságának kapcsolata az Arrhenius-paraméterek bizonytalanságával A linearizált Arrhenius-egyenlet kompaktabb alakban: Az Arrhenius-paraméterek kovariancia - mátrixa és annak kapcsolata a sebességi együttható bizonytalanságával: k bizonytalanságának hőmérsékletfüggése arányos egy kvadratikus alak gyökével, amelynek mátrixa az Arrhenius-paraméterek kovariancia-mátrixa.

99 99 A sebességi együttható bizonytalanságának hőmérsékletfüggése Kiterjesztett Arrhenius-egyenlet  a szórás hőmérsékletfüggése: Eredeti Arrhenius-egyenlet  a szórás hőmérsékletfüggése: Hatvány-hőmérsékletfüggés  a szórás hőmérsékletfüggése: Hőmérsékletfüggetlen k  a szórás hőmérsékletfüggése: Az Arrhenius-paraméterek névleges értékei és a kovariancia-mátrixuk hőmérsékletfüggetlenek a sebességi együttható kifejezésének érvényességi tartományán.

100 100 Arrhenius-paraméterek együttes, normális valószínűségi sűrűségfüggvényének megállapítása Az adatbázisban megadott bizonytalanságok értékekre a levezetett egyenletet illesztjük. kiterjesztett Arrhenius-egyenlet esetén: eredeti Arrhenius-egyenlet esetén: Az illesztés eredményeként az Arrhenius-paraméterek kovariancia- mátrixát kapjuk. Az adatbázisokban megadott bizonytalansági adatok alapján az Arrhenius-paraméterek együttes normális eloszlása meghatározható.

101 O + N 2 O → NO + NO reakció sebességi együtthatója bizonytalanságának hőmérsékletfüggése (1000K-4000K) 101

102 O + N 2 O → NO + NO sebességi együtthatója valószínűségeloszlásának változása a hőmérséklet függvényében (1000 K – 4000 K) 102

103 1. rész vége


Letölteni ppt "Reakciómechanizmusok vizsgálata Turányi Tamás ELTE Kémiai Intézet Reakciókinetikai Laboratórium 2012."

Hasonló előadás


Google Hirdetések