論文の概要: Machine learning for rapid discovery of laminar flow channel wall modifications that enhance heat transfer

• arxiv url: http://arxiv.org/abs/2101.08130v1
• Date: Tue, 19 Jan 2021 16:14:02 GMT
• ステータス: 処理完了
• システム内更新日: 2021-03-23 00:05:56.018990
• Title: Machine learning for rapid discovery of laminar flow channel wall modifications that enhance heat transfer
• Title（参考訳）: 熱伝達を増強する層流流路壁修正の迅速発見のための機械学習
• Authors: Matthias Schniewind, Alexander Stroh, Bradley P. Ladewig, Pascal Friederich
• Abstract要約: 任意の非フラットチャネルの正確な数値シミュレーションと、ドラッグ係数とスタントン数を予測する機械学習モデルの組み合わせを紹介します。 本研究では,畳み込みニューラルネットワークが数値シミュレーションの一定時間におけるターゲット特性を正確に予測できることを示した。
• 参考スコア（独自算出の注目度）: 64.31011847952006
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The calculation of heat transfer in fluid flow in simple flat channels is a relatively easy task for various simulations methods. However, once the channel geometry becomes more complex, numerical simulations become a bottleneck in optimizing wall geometries. We present a combination of accurate numerical simulations of arbitrary, non-flat channels and machine learning models predicting drag coefficient and Stanton number. We show that convolutional neural networks can accurately predict the target properties at a fraction of the time of numerical simulations. We use the CNN models in a virtual high-throughput screening approach to explore a large number of possible, randomly generated wall architectures. We find that S-shaped channel geometries are Pareto-optimal, a result which seems intuitive, but was not obvious before analysing the data. The general approach is not only applicable to simple flow setups as presented here, but can be extended to more complex tasks, such as multiphase or even reactive unit operations in chemical engineering.
• Abstract（参考訳）: 単純平たい流路内の流体中の伝熱の計算は, 様々なシミュレーション手法において比較的容易な作業である。 しかし、チャネル幾何がより複雑になると、数値シミュレーションは壁のジオメトリの最適化においてボトルネックとなる。 本稿では、任意の非平坦チャネルの正確な数値シミュレーションと、ドラッグ係数とスタントン数を予測する機械学習モデルを組み合わせる。 畳み込みニューラルネットワークは,数値シミュレーションのわずかな時間でターゲット特性を正確に予測できることを示す。 我々は,CNNモデルを仮想的な高スループットスクリーニング手法を用いて,多種多様なランダムな壁構造を探索する。 その結果,S字型チャネルジオメトリはPareto-Optimalであり,直感的と思われるが,解析する前には明らかではなかった。 一般的なアプローチは、ここで述べたような単純なフロー設定に適用できるだけでなく、化学工学における多相や反応単位操作のようなより複雑なタスクにも拡張できる。
• 全文 参考訳へのリンク

関連論文リスト

• Towards Fast Simulation of Environmental Fluid Mechanics with Multi-Scale Graph Neural Networks [0.0]
  我々は、非定常連続体力学を推論するための新しいマルチスケールグラフニューラルネットワークモデルであるMultiScaleGNNを紹介する。 本手法は, 海洋および大気プロセスの基本的な現象である, 対流問題と非圧縮性流体力学について実証する。 MultiScaleGNNで得られたシミュレーションは、トレーニングされたシミュレーションよりも2～4桁高速である。
  論文  参考訳（メタデータ） (2022-05-05T13:33:03Z)
• An advanced spatio-temporal convolutional recurrent neural network for storm surge predictions [73.4962254843935]
  本研究では, 人工ニューラルネットワークモデルを用いて, 嵐の軌跡/規模/強度履歴に基づいて, 強風をエミュレートする能力について検討する。 本研究では, 人工嵐シミュレーションのデータベースを用いて, 強風を予測できるニューラルネットワークモデルを提案する。
  論文  参考訳（メタデータ） (2022-04-18T23:42:18Z)
• Pretraining Graph Neural Networks for few-shot Analog Circuit Modeling and Design [68.1682448368636]
  本稿では、新しい未知のトポロジや未知の予測タスクに適応可能な回路表現を学習するための教師付き事前学習手法を提案する。 異なる回路の変動位相構造に対処するため、各回路をグラフとして記述し、グラフニューラルネットワーク(GNN)を用いてノード埋め込みを学習する。 出力ノード電圧の予測における事前学習GNNは、新しい未知のトポロジや新しい回路レベル特性の予測に適応可能な学習表現を促進することができることを示す。
  論文  参考訳（メタデータ） (2022-03-29T21:18:47Z)
• Accelerating Part-Scale Simulation in Liquid Metal Jet Additive Manufacturing via Operator Learning [0.0]
  部分スケールの予測は多くの小規模シミュレーションを必要とする。 LMJにおける液滴の合体性を記述するモデルとして, 混合圧縮性流体流, 熱伝達, 相変化方程式がある。 我々は,液滴の合体過程の初期状態と最終状態のマッピングを演算子学習アプローチで学習する。
  論文  参考訳（メタデータ） (2022-02-02T17:24:16Z)
• Emulating Spatio-Temporal Realizations of Three-Dimensional Isotropic Turbulence via Deep Sequence Learning Models [24.025975236316842]
  最先端のディープラーニング技術を用いて3次元乱流をモデル化するために,データ駆動方式を用いる。 モデルの精度は、統計および物理に基づくメトリクスを用いて評価される。
  論文  参考訳（メタデータ） (2021-12-07T03:33:39Z)
• Group Fisher Pruning for Practical Network Compression [58.25776612812883]
  本稿では,様々な複雑な構造に応用可能な汎用チャネルプルーニング手法を提案する。 我々は、単一チャネルと結合チャネルの重要性を評価するために、フィッシャー情報に基づく統一されたメトリクスを導出する。 提案手法は,結合チャネルを含む任意の構造をプルークするために利用できる。
  論文  参考訳（メタデータ） (2021-08-02T08:21:44Z)
• CaloFlow: Fast and Accurate Generation of Calorimeter Showers with Normalizing Flows [0.0]
  正規化フローに基づく高速検出器シミュレーションフレームワークであるCaloFlowを紹介する。 本研究は, フローの正規化により, 極めて高い忠実度で多チャンネルのカロリーメータシャワーを再現できることを初めて実証した。
  論文  参考訳（メタデータ） (2021-06-09T18:00:02Z)
• Accelerating Stochastic Simulation with Interactive Neural Processes [74.14000505345803]
  対話型ニューラル・プロセス(INP)は、ディープラーニングモデルを学び、シミュレーションを加速する対話型フレームワークである。 我々はベイジアン能動学習アルゴリズムを設計し、シミュレータを反復的にクエリし、より多くのデータを収集し、モデルを継続的に改善する。
  論文  参考訳（メタデータ） (2021-06-05T01:31:51Z)
• U-Net-Based Surrogate Model For Evaluation of Microfluidic Channels [0.0]
  本研究では,U-Net畳み込みニューラルネットワークをサーロゲートモデルとして,速度と圧力場の予測に用いることを実証する。 どちらのアプリケーションでも1%未満の予測テスト誤差が示されており、これが実際に実行可能な方法であることを示唆している。
  論文  参考訳（メタデータ） (2021-05-11T16:27:58Z)
• ResNet-LDDMM: Advancing the LDDMM Framework Using Deep Residual Networks [86.37110868126548]
  本研究では,eulerの離散化スキームに基づく非定常ode(フロー方程式)の解法として,深層残留ニューラルネットワークを用いた。 複雑なトポロジー保存変換の下での3次元形状の多種多様な登録問題について述べる。
  論文  参考訳（メタデータ） (2021-02-16T04:07:13Z)

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。