論文の概要: Interpretable Data-driven Methods for Subgrid-scale Closure in LES for
Transcritical LOX/GCH4 Combustion
- arxiv url: http://arxiv.org/abs/2103.06397v1
- Date: Thu, 11 Mar 2021 00:54:50 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-13 09:32:57.599032
- Title: Interpretable Data-driven Methods for Subgrid-scale Closure in LES for
Transcritical LOX/GCH4 Combustion
- Title（参考訳）: LESにおける超臨界LOX/GCH4燃焼におけるサブグリッドスケールクロージャの解釈可能なデータ駆動法
- Authors: Wai Tong Chung, Aashwin Ananda Mishra, Matthias Ihme
- Abstract要約: 本研究の目的は、従来の物理駆動アプローチと解釈可能な機械学習アルゴリズムからストレスモデルを評価することである。
特徴集合に物理ベースの制約を適用すると,ランダムフォレスト回帰器の精度が低下した。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Many practical combustion systems such as those in rockets, gas turbines, and
internal combustion engines operate under high pressures that surpass the
thermodynamic critical limit of fuel-oxidizer mixtures. These conditions
require the consideration of complex fluid behaviors that pose challenges for
numerical simulations, casting doubts on the validity of existing subgrid-scale
(SGS) models in large-eddy simulations of these systems. While data-driven
methods have shown high accuracy as closure models in simulations of turbulent
flames, these models are often criticized for lack of physical
interpretability, wherein they provide answers but no insight into their
underlying rationale. The objective of this study is to assess SGS stress
models from conventional physics-driven approaches and an interpretable machine
learning algorithm, i.e., the random forest regressor, in a turbulent
transcritical non-premixed flame. To this end, direct numerical simulations
(DNS) of transcritical liquid-oxygen/gaseous-methane (LOX/GCH4) inert and
reacting flows are performed. Using this data, a priori analysis is performed
on the Favre-filtered DNS data to examine the accuracy of physics-based and
random forest SGS-models under these conditions. SGS stresses calculated with
the gradient model show good agreement with the exact terms extracted from
filtered DNS. The accuracy of the random-forest regressor decreased when
physics-based constraints are applied to the feature set. Results demonstrate
that random forests can perform as effectively as algebraic models when
modeling subgrid stresses, only when trained on a sufficiently representative
database. The employment of random forest feature importance score is shown to
provide insight into discovering subgrid-scale stresses through sparse
regression.
- Abstract（参考訳）: ロケット、ガスタービン、内燃機関などの多くの実用的な燃焼システムは、燃料-酸化剤混合物の熱力学的臨界限界を超える高圧下で作動する。
これらの条件は、これらのシステムの大規模シミュレーションにおいて既存のサブグリッドスケール(SGS)モデルの妥当性に疑問を呈する複雑な流体挙動を考慮する必要がある。
データ駆動の手法は乱流火炎シミュレーションにおけるクロージャモデルとして高い精度を示してきたが、これらのモデルは物理的解釈可能性の欠如によってしばしば批判されている。
この研究の目的は、従来の物理駆動アプローチと解釈可能な機械学習アルゴリズム、すなわち乱流超臨界非混合火炎におけるランダムフォレストレグレッサーからのSGS応力モデルを評価することである。
この目的のために、超臨界液体酸素/ガスメタン(LOX/GCH4)の不活性および反応流の直接数値シミュレーション(DNS)を行う。
このデータを用いて、Favre-filtered DNSデータ上で事前分析を行い、これらの条件下での物理ベースおよびランダムフォレストSGSモデルの精度を調べます。
勾配モデルを用いて計算したSGS応力は、フィルタDNSから抽出された正確な項とよく一致している。
特徴集合に物理ベースの制約を適用すると,ランダムフォレスト回帰器の精度が低下した。
その結果、ランダムな森林は、十分に代表的なデータベースで訓練された場合にのみ、サブグリッド応力をモデル化する際に代数モデルと同じくらい効果的に実行できることが示された。
ランダムな森林特性重要度スコアの雇用は、スパース回帰によるサブグリッドスケールストレスの発見に関する洞察を提供する。
関連論文リスト
- Towards Physically Consistent Deep Learning For Climate Model Parameterizations [46.07009109585047]
パラメータ化は、気候予測において、系統的なエラーと大きな不確実性の主な原因である。
深層学習(DL)に基づくパラメータ化は、計算に高価で高解像度のショートシミュレーションのデータに基づいて訓練されており、気候モデルを改善するための大きな可能性を示している。
本稿では,DLに基づくパラメータ化のための効率的な教師付き学習フレームワークを提案する。
論文 参考訳（メタデータ） (2024-06-06T10:02:49Z) - A Priori Uncertainty Quantification of Reacting Turbulence Closure Models using Bayesian Neural Networks [0.0]
反応流モデルにおける不確実性を捉えるためにベイズニューラルネットワークを用いる。
我々は、BNNモデルが、データ駆動クロージャモデルの不確実性の構造に関するユニークな洞察を提供することができることを示した。
このモデルの有効性は,様々な火炎条件と燃料からなるデータセットに対する事前評価によって実証される。
論文 参考訳（メタデータ） (2024-02-28T22:19:55Z) - Discovering Interpretable Physical Models using Symbolic Regression and
Discrete Exterior Calculus [55.2480439325792]
本稿では,記号回帰(SR)と離散指数計算(DEC)を組み合わせて物理モデルの自動発見を行うフレームワークを提案する。
DECは、SRの物理問題への最先端の応用を越えている、場の理論の離散的な類似に対して、ビルディングブロックを提供する。
実験データから連続体物理の3つのモデルを再発見し,本手法の有効性を実証する。
論文 参考訳（メタデータ） (2023-10-10T13:23:05Z) - Applying Physics-Informed Enhanced Super-Resolution Generative
Adversarial Networks to Finite-Rate-Chemistry Flows and Predicting Lean
Premixed Gas Turbine Combustors [0.0]
この研究は、最近導入されたPIESRGANを反応性有限レート化学フローへと前進させる。
The modified PIESRGAN-based model gives good agreement in a priori and a reari tests in a laminar lean premixed combustion setup。
論文 参考訳（メタデータ） (2022-10-28T15:48:26Z) - Applying Physics-Informed Enhanced Super-Resolution Generative
Adversarial Networks to Turbulent Premixed Combustion and Engine-like Flame
Kernel Direct Numerical Simulation Data [0.0]
この研究は、最近開発されたPIESRGANによる乱流予混合燃焼のモデリング手法を推し進めている。
その結果, 全乱流予混合火炎核の直接数値シミュレーションデータに対して, 先行実験と後続試験に良好な結果が得られた。
論文 参考訳（メタデータ） (2022-10-28T15:27:46Z) - Physics-informed machine learning with differentiable programming for
heterogeneous underground reservoir pressure management [64.17887333976593]
地下貯水池の過圧化を避けることは、CO2の沈殿や排水の注入といった用途に欠かせない。
地中における複雑な不均一性のため, 噴射・抽出制御による圧力管理は困難である。
過圧化防止のための流体抽出速度を決定するために、フル物理モデルと機械学習を用いた微分可能プログラミングを用いる。
論文 参考訳（メタデータ） (2022-06-21T20:38:13Z) - Learning Large-scale Subsurface Simulations with a Hybrid Graph Network
Simulator [57.57321628587564]
本研究では3次元地下流体の貯留層シミュレーションを学習するためのハイブリッドグラフネットワークシミュレータ (HGNS) を提案する。
HGNSは、流体の進化をモデル化する地下グラフニューラルネットワーク(SGNN)と、圧力の進化をモデル化する3D-U-Netで構成されている。
産業標準地下フローデータセット(SPE-10)と1100万セルを用いて,HGNSが標準地下シミュレータの18倍の推算時間を短縮できることを実証した。
論文 参考訳（メタデータ） (2022-06-15T17:29:57Z) - Prediction of liquid fuel properties using machine learning models with
Gaussian processes and probabilistic conditional generative learning [56.67751936864119]
本研究の目的は、代替燃料の物理的特性を予測するためのクロージャ方程式として機能する、安価で計算可能な機械学習モデルを構築することである。
これらのモデルは、MDシミュレーションのデータベースや、データ融合-忠実性アプローチによる実験的な測定を用いて訓練することができる。
その結果,MLモデルでは,広範囲の圧力および温度条件の燃料特性を正確に予測できることがわかった。
論文 参考訳（メタデータ） (2021-10-18T14:43:50Z) - Stochastically forced ensemble dynamic mode decomposition for
forecasting and analysis of near-periodic systems [65.44033635330604]
本稿では,観測力学を強制線形系としてモデル化した新しい負荷予測手法を提案する。
固有線型力学の利用は、解釈可能性やパーシモニーの観点から、多くの望ましい性質を提供することを示す。
電力グリッドからの負荷データを用いたテストケースの結果が提示される。
論文 参考訳（メタデータ） (2020-10-08T20:25:52Z) - Data-assisted combustion simulations with dynamic submodel assignment
using random forests [0.0]
局所および動的燃焼サブモデル割当のためのランダム森林分類器を用いたデータアシスト手法について概説する。
この方法は、単一元素のGOX/GCH4ロケット燃焼器のシミュレーションに応用される。
論文 参考訳（メタデータ） (2020-09-08T23:06:22Z) - Automating Turbulence Modeling by Multi-Agent Reinforcement Learning [4.784658158364452]
乱流モデルの自動検出ツールとしてマルチエージェント強化学習を導入する。
等方性乱流と等方性乱流の大規模渦シミュレーションにおけるこのアプローチの可能性を示す。
論文 参考訳（メタデータ） (2020-05-18T18:45:09Z)
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。