論文の概要: Prediction of flow characteristics in the bubble column reactor by the
artificial pheromone-based communication of biological ants
- arxiv url: http://arxiv.org/abs/2001.04276v1
- Date: Thu, 9 Jan 2020 19:36:45 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-13 04:11:40.901964
- Title: Prediction of flow characteristics in the bubble column reactor by the
artificial pheromone-based communication of biological ants
- Title（参考訳）: 生物アリの人工フェロモン通信による気泡柱反応器内の流動特性の予測
- Authors: Shahab Shamshirband, Meisam Babanezhad, Amir Mosavi, Narjes Nabipour,
Eva Hajnal, Laszlo Nadai, Kwok-Wing Chau
- Abstract要約: アント挙動に基づくアントコロニー最適化アルゴリズム(ACO)フレームワークは,3次元気泡柱リアクトル内のすべての局所的な数学的解を解くことができる。
モデリングの新しい概要は、自然界の生物行動に新たな視点を描き出すことができる。
- 参考スコア（独自算出の注目度）: 1.2313056815753947
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In order to perceive the behavior presented by the multiphase chemical
reactors, the ant colony optimization algorithm was combined with computational
fluid dynamics (CFD) data. This intelligent algorithm creates a probabilistic
technique for computing flow and it can predict various levels of
three-dimensional bubble column reactor (BCR). This artificial ant algorithm is
mimicking real ant behavior. This method can anticipate the flow
characteristics in the reactor using almost 30 % of the whole data in the
domain. Following discovering the suitable parameters, the method is used for
predicting the points not being simulated with CFD, which represent mesh
refinement of Ant colony method. In addition, it is possible to anticipate the
bubble-column reactors in the absence of numerical results or training of exact
values of evaluated data. The major benefits include reduced computational
costs and time savings. The results show a great agreement between ant colony
prediction and CFD outputs in different sections of the BCR. The combination of
ant colony system and neural network framework can provide the smart structure
to estimate biological and nature physics base phenomena. The ant colony
optimization algorithm (ACO) framework based on ant behavior can solve all
local mathematical answers throughout 3D bubble column reactor. The integration
of all local answers can provide the overall solution in the reactor for
different characteristics. This new overview of modelling can illustrate new
sight into biological behavior in nature.
- Abstract（参考訳）: 多相化学反応器の挙動を理解するため, アリコロニー最適化アルゴリズムと計算流体力学(CFD)データを組み合わせた。
このインテリジェントアルゴリズムは、流れの確率論的手法を作成し、様々なレベルの3次元気泡柱反応器(BCR)を予測できる。
この人工アリアルゴリズムは本物のアリの行動を模倣している。
この方法は, 領域内の全データの約30%を用いて, 反応器内の流動特性を予測できる。
適切なパラメータを発見した後、antコロニー法のメッシュ微細化を表すcfdでシミュレートされていない点を予測するために使用される。
また、数値的な結果や評価データの正確な値のトレーニングがなければ、気泡カラム型原子炉を予測できる。
主な利点は計算コストの削減と時間節約である。
その結果,bcrの各区間におけるantコロニー予測とcfd出力との間に大きな一致が認められた。
antコロニーシステムとニューラルネットワークフレームワークの組み合わせは、生物学的および自然物理学の基礎現象を推定するスマートな構造を提供することができる。
antビヘイビアに基づくantコロニー最適化アルゴリズム(aco)フレームワークは、3dバブルカラムリアクタ全体の局所的な数学的解を全て解くことができる。
全ての局所解の積分は、異なる特性のために反応器の全体的解を与えることができる。
このモデリングの新たな概要は、自然界の生物行動に新たな視点を描き出すことができる。
関連論文リスト
- Targeting the partition function of chemically disordered materials with a generative approach based on inverse variational autoencoders [0.0]
そこで本研究では,生成機械学習を用いて特性評価を行う手法を提案する。
本手法では,エンコーダとデコーダの逆の役割を持つ特定の種類の変分オートエンコーダを用いる。
本稿では, (U, Pu)O2混合酸化物燃料における点欠陥生成エネルギーと濃度の計算によるアプローチについて述べる。
論文 参考訳（メタデータ） (2024-08-27T10:05:37Z) - Data-Driven Prediction and Uncertainty Quantification of PWR Crud-Induced Power Shift Using Convolutional Neural Networks [2.147634833794939]
Crud-induced Power Shift (CIPS) は加圧水炉の運用上の課題である。
本研究は、原子炉固有のキャリブレーションを組み込んだ組立レベルでCIPSインスタンスを予測するためのトップダウンアプローチを提案する。
論文 参考訳（メタデータ） (2024-06-27T15:04:24Z) - Improved Cryo-EM Pose Estimation and 3D Classification through Latent-Space Disentanglement [14.973360669658561]
本稿では,自己教師付き変分オートエンコーダアーキテクチャであるHetACUMNを提案する。
シミュレーションデータセットの結果,HetACUMNは,他のアモータイズ法や非アモータイズ法よりも正確なコンフォメーション分類が得られた。
論文 参考訳（メタデータ） (2023-08-09T13:41:30Z) - Monte Carlo Neural PDE Solver for Learning PDEs via Probabilistic Representation [59.45669299295436]
教師なしニューラルソルバのトレーニングのためのモンテカルロPDEソルバを提案する。
我々は、マクロ現象をランダム粒子のアンサンブルとみなすPDEの確率的表現を用いる。
対流拡散, アレン・カーン, ナヴィエ・ストークス方程式に関する実験により, 精度と効率が著しく向上した。
論文 参考訳（メタデータ） (2023-02-10T08:05:19Z) - A predictive physics-aware hybrid reduced order model for reacting flows [65.73506571113623]
反応流問題の解法として,新しいハイブリッド型予測次数モデル (ROM) を提案する。
自由度は、数千の時間的点から、対応する時間的係数を持ついくつかのPODモードへと減少する。
時間係数を予測するために、2つの異なるディープラーニングアーキテクチャがテストされている。
論文 参考訳（メタデータ） (2023-01-24T08:39:20Z) - Reactmine: a search algorithm for inferring chemical reaction networks
from time series data [0.0]
時系列データから化学反応ネットワーク(CRN)を推定することは、細胞レベルでの定量的時間的データの増加によって促進される課題である。
本稿では, 境界深さの探索木内に連続的に反応を推論することにより, 空間性を向上させるCRN学習アルゴリズムであるReactmineを提案する。
我々は、SINDyが失敗する隠れCRNを検索することで、Reactmineがシミュレーションデータに成功し、以前の研究と一致して反応を推測することで、2つの実際のデータセットに成功していることを示す。
論文 参考訳（メタデータ） (2022-09-07T14:30:33Z) - Adaptive LASSO estimation for functional hidden dynamic geostatistical
model [69.10717733870575]
関数型隠れ統計モデル(f-HD)のためのペナル化極大推定器(PMLE)に基づく新しいモデル選択アルゴリズムを提案する。
このアルゴリズムは反復最適化に基づいており、適応最小限の収縮・セレクタ演算子(GMSOLAS)ペナルティ関数を用いており、これは不給付のf-HD最大線量推定器によって得られる。
論文 参考訳（メタデータ） (2022-08-10T19:17:45Z) - Inverting brain grey matter models with likelihood-free inference: a
tool for trustable cytoarchitecture measurements [62.997667081978825]
脳の灰白質細胞構造の特徴は、体密度と体積に定量的に敏感であり、dMRIでは未解決の課題である。
我々は新しいフォワードモデル、特に新しい方程式系を提案し、比較的スパースなb殻を必要とする。
次に,提案手法を逆転させるため,確率自由推論 (LFI) として知られるベイズ解析から最新のツールを適用した。
論文 参考訳（メタデータ） (2021-11-15T09:08:27Z) - A deep learning driven pseudospectral PCE based FFT homogenization
algorithm for complex microstructures [68.8204255655161]
提案手法は,従来の手法よりも高速に評価できる一方で,興味の中心モーメントを予測できることを示す。
提案手法は,従来の手法よりも高速に評価できると同時に,興味の中心モーメントを予測できることを示す。
論文 参考訳（メタデータ） (2021-10-26T07:02:14Z) - Supervised Learning and the Finite-Temperature String Method for
Computing Committor Functions and Reaction Rates [0.0]
希少事象の計算研究における中心的な対象はコミッタ関数である。
アルゴリズムの精度を改善するために追加の修正が必要であることを示す。
論文 参考訳（メタデータ） (2021-07-28T17:44:00Z) - Learning from Aggregate Observations [82.44304647051243]
本研究では,一組のインスタンスに監視信号が与えられる集合観察から学習する問題について検討する。
本稿では,多種多様な集合観測に適合する一般的な確率的枠組みを提案する。
単純な極大解は様々な微分可能なモデルに適用できる。
論文 参考訳（メタデータ） (2020-04-14T06:18:50Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。