ACS Catalysis· 2026Q1
Tanımlayıcı Tabanlı Mikrokinetik Modelleme için Verimli ve Doğru Kararlı Durum Çözümleri Sağlayan Örnekleme-Genişletme Yaklaşımı
Sampling-Expansion Approach Enabling Efficient and Accurate Steady-State Solutions for Descriptor-Based Microkinetic Modeling
- 2atıf
- Q1SCImago
- 2026yıl
Kısa özet
Yeni bir Örnekleme-Genişletme Yaklaşımı (SEA), çözme stratejilerini optimize ederek ve yakınsak çözümleri kullanarak tanımlayıcı tabanlı mikrokinetik modellemeyi (MKM) önemli ölçüde hızlandırır, hesaplama maliyetini düşürür ve sağlamlığı artırır.
Yapay zekâ ile başlık ve abstract'tan üretildi; tam metin okunmaz.
Ana noktalar
- Hızlandırılmış tanımlayıcı tabanlı mikrokinetik modelleme (MKM) için Örnekleme-Genişletme Yaklaşımını (SEA) tanıtır.
- SEA, çözme stratejilerini optimize ederek ve yakınsak çözümleri başlangıç noktası olarak kullanarak verimliliği artırır.
- Yöntem, MuKiP hesaplama platformuna entegre edilmiştir.
- SEA, geleneksel yaklaşımlara göre önemli ölçüde daha yüksek verimlilik ve sağlamlık gösterir.
Yapay zekâ ile başlık ve abstract'tan üretildi; tam metin okunmaz.
Özet (abstract)
Abstract Microkinetic modeling (MKM) is a pivotal computational tool that bridges potential energy surfaces and catalytic activity, while descriptor-based MKM enables rational catalyst design through computational methods. However, the use of descriptors requires repeated MKM calculations across numerous conditions, increasing the overall cost by orders of magnitude and imposing stringent demands on solver stability. To address these challenges, we herein report a robust and efficient Sampling-Expansion Approach (SEA) for accelerated descriptor-based MKM, which is incorporated into our in-house developed multiscale kinetic modeling platform (MuKiP). SEA maximizes computational efficiency by strategically controlling the solving strategy, leveraging converged solutions as initial guesses, and employing a parallel computing framework. Compared with conventional approaches, SEA achieves significantly higher efficiency and reduces reliance on solver stability, thereby exhibiting strong robustness. The application of the proposed method and framework is expected to substantially accelerate the rational design of catalysts.
Yazarların özeti; kaynağından alınmıştır. ACS Catalysis, 2026 · DOI ↗
Devamı Pofolia uygulamasında
Çıkarımlar ve makaleye soru sorma; ilgi alanına göre her gün yeni özetler. Ücretsiz.
Web'de giriş yaparak açAlan: Yenilenebilir Enerji, Sürdürülebilirlik ve Çevre
Renewable Energy, Sustainability and the EnvironmentEnergy