論文の概要: Transfer-learning-based Surrogate Model for Thermal Conductivity of
Nanofluids
- arxiv url: http://arxiv.org/abs/2201.00435v1
- Date: Sun, 2 Jan 2022 23:55:12 GMT
- ステータス: 処理完了
- システム内更新日: 2022-01-04 20:05:48.321427
- Title: Transfer-learning-based Surrogate Model for Thermal Conductivity of
Nanofluids
- Title(参考訳): 転移学習に基づくナノ流体の熱伝導率モデル
- Authors: Saeel S. Pai, Abhijeet Banthiya
- Abstract要約: ナノ流体の熱伝達特性は1990年代から広く研究されている。
ナノ流体の熱伝導率は、一般に基礎流体よりも大きい性質の1つである。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Heat transfer characteristics of nanofluids have been extensively studied
since the 1990s. Research investigations show that the suspended nanoparticles
significantly alter the suspension's thermal properties. The thermal
conductivity of nanofluids is one of the properties that is generally found to
be greater than that of the base fluid. This increase in thermal conductivity
is found to depend on several parameters. Several theories have been proposed
to model the thermal conductivities of nanofluids, but there is no reliable
universal theory yet to model the anomalous thermal conductivity of nanofluids.
In recent years, supervised data-driven methods have been successfully employed
to create surrogate models across various scientific disciplines, especially
for modeling difficult-to-understand phenomena. These supervised learning
methods allow the models to capture highly non-linear phenomena. In this work,
we have taken advantage of existing correlations and used them concurrently
with available experimental results to develop more robust surrogate models for
predicting the thermal conductivity of nanofluids. Artificial neural networks
are trained using the transfer learning approach to predict the thermal
conductivity enhancement of nanofluids with spherical particles for 32
different particle-fluid combinations (8 particles materials and 4 fluids). The
large amount of lower accuracy data generated from correlations is used to
coarse-tune the model parameters, and the limited amount of more trustworthy
experimental data is used to fine-tune the model parameters. The transfer
learning-based models' results are compared with those from baseline models
which are trained only on experimental data using a goodness of fit metric. It
is found that the transfer learning models perform better with goodness of fit
values of 0.93 as opposed to 0.83 from the baseline models.
- Abstract(参考訳): ナノ流体の伝熱特性は1990年代から広く研究されてきた。
研究により、懸濁したナノ粒子はサスペンションの熱特性を著しく変化させることが示されている。
ナノ流体の熱伝導度は、一般的に基液よりも大きい性質の1つである。
この熱伝導率の増加は、いくつかのパラメータに依存する。
ナノ流体の熱伝導性をモデル化するいくつかの理論が提案されているが、ナノ流体の異常な熱伝導をモデル化する信頼できる普遍理論はまだ存在しない。
近年、教師付きデータ駆動手法は様々な科学分野、特に理解困難な現象をモデル化するために、サロゲートモデルの作成に成功している。
これらの教師付き学習法により、モデルは高非線形現象を捉えることができる。
本研究では, 既存の相関式を利用して, 利用可能な実験結果と並行して, ナノ流体の熱伝導率を予測するためのより堅牢な代理モデルを開発した。
人工ニューラルネットワークは,32種類の粒子-流体の組み合わせ(粒子材料8個と流体4個)に対して,ナノ流体の熱伝導率向上を予測するために,伝達学習手法を用いて訓練される。
相関から生成された大量の低い精度データをモデルパラメータを粗く調整するために使用し、より信頼性の高い実験データの限られた量を用いてモデルパラメータを微調整する。
伝達学習に基づくモデルの結果は、適合度メトリクスの良さを用いて実験データのみに基づいて訓練されたベースラインモデルと比較される。
その結果, 伝達学習モデルの性能は, ベースラインモデルが 0.83 に対して, 適合率 0.93 で良好であることが判明した。
関連論文リスト
- Machine learning enabled experimental design and parameter estimation
for ultrafast spin dynamics [54.172707311728885]
機械学習とベイズ最適実験設計(BOED)を組み合わせた方法論を提案する。
本手法は,大規模スピンダイナミクスシミュレーションのためのニューラルネットワークモデルを用いて,BOEDの正確な分布と実用計算を行う。
数値ベンチマークでは,XPFS実験の誘導,モデルパラメータの予測,実験時間内でのより情報的な測定を行う上で,本手法の優れた性能を示す。
論文 参考訳(メタデータ) (2023-06-03T06:19:20Z) - A machine learning-based viscoelastic-viscoplastic model for epoxy
nanocomposites with moisture content [0.0]
本研究では, 含水ナノ粒子の循環粘弾性・粘弾性・粘塑性損傷挙動を解析するための深層学習モデルを提案する。
サンプリング手法と摂動法を組み合わせた長期記憶ネットワークを訓練する。
実験によって検証された粘弾性-粘弾性-粘弾性モデルにより生成されたトレーニングデータとともに、DLモデルは、速度依存性の応力-ひずみ関係を正確に捉えることができる。
論文 参考訳(メタデータ) (2023-05-14T08:33:11Z) - Capturing dynamical correlations using implicit neural representations [85.66456606776552]
実験データから未知のパラメータを復元するために、モデルハミルトンのシミュレーションデータを模倣するために訓練されたニューラルネットワークと自動微分を組み合わせた人工知能フレームワークを開発する。
そこで本研究では, 実時間から多次元散乱データに適用可能な微分可能なモデルを1回だけ構築し, 訓練する能力について述べる。
論文 参考訳(メタデータ) (2023-04-08T07:55:36Z) - Physics-constrained neural differential equations for learning
multi-ionic transport [0.0]
我々は,ポリアミドナノ孔間のイオン輸送挙動を学習する物理インフォームド深層学習モデルを開発した。
ニューラル・ディファレンシャル・方程式を古典的閉包モデルと組み合わせて、ニューラル・フレームワークに直接帰納バイアスとして利用する。
論文 参考訳(メタデータ) (2023-03-07T17:18:52Z) - Machine-Learning Prediction of the Computed Band Gaps of Double
Perovskite Materials [3.2798940914359056]
機能性材料の電子構造の予測は新しい装置の工学に不可欠である。
本研究では,2重ペロブスカイト材料の電子構造を機械学習で予測する。
この結果は,期待できる機能材料を迅速にスクリーニングするために,機械学習による回帰の可能性を実証するという意味で重要である。
論文 参考訳(メタデータ) (2023-01-04T08:19:18Z) - Viskositas: Viscosity Prediction of Multicomponent Chemical Systems [0.0]
粘度を変数の関数として提供するために、いくつかの数学的モデルが構築された。
ニューラルネットワークによる非線形モデルを生成するために,データベースを構築した。
Viskositasという名前のモデルでは、平均絶対誤差、標準偏差、決定係数の統計学的評価が向上した。
論文 参考訳(メタデータ) (2022-08-02T13:16:26Z) - How Much is Enough? A Study on Diffusion Times in Score-based Generative
Models [76.76860707897413]
現在のベストプラクティスは、フォワードダイナミクスが既知の単純なノイズ分布に十分に近づくことを確実にするために大きなTを提唱している。
本稿では, 理想とシミュレーションされたフォワードダイナミクスのギャップを埋めるために補助モデルを用いて, 標準的な逆拡散過程を導出する方法について述べる。
論文 参考訳(メタデータ) (2022-06-10T15:09:46Z) - NeuroFluid: Fluid Dynamics Grounding with Particle-Driven Neural
Radiance Fields [65.07940731309856]
深層学習は流体のような複雑な粒子系の物理力学をモデル化する大きな可能性を示している。
本稿では,流体力学グラウンドリング(fluid dynamics grounding)として知られる,部分的に観測可能なシナリオについて考察する。
我々はNeuroFluidという2段階の異なるネットワークを提案する。
初期形状、粘度、密度が異なる流体の基礎物理学を合理的に推定することが示されている。
論文 参考訳(メタデータ) (2022-03-03T15:13:29Z) - 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) - Physics-informed CoKriging model of a redox flow battery [68.8204255655161]
レドックスフロー電池(RFB)は、大量のエネルギーを安価かつ効率的に貯蔵する機能を提供する。
RFBの充電曲線の高速かつ正確なモデルが必要であり、バッテリ容量と性能が向上する可能性がある。
RFBの電荷分配曲線を予測する多相モデルを構築した。
論文 参考訳(メタデータ) (2021-06-17T00:49:55Z) - Learning the exchange-correlation functional from nature with fully
differentiable density functional theory [0.0]
我々は、完全に微分可能な3次元コーン・シャム密度汎関数論フレームワーク内での交換相関関数を置き換えるためにニューラルネットワークを訓練する。
我々の訓練された交換相関ネットワークは110分子の集合体における原子化とイオン化エネルギーの予測を改善した。
論文 参考訳(メタデータ) (2021-02-08T14:25:10Z)
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。