論文の概要: Machine learning based surrogate models for microchannel heat sink optimization

• arxiv url: http://arxiv.org/abs/2208.09683v1
• Date: Sat, 20 Aug 2022 13:49:11 GMT
• ステータス: 処理完了
• システム内更新日: 2022-08-23 14:29:48.291373
• Title: Machine learning based surrogate models for microchannel heat sink optimization
• Title（参考訳）: マイクロチャネルヒートシンク最適化のための機械学習に基づく代理モデル
• Authors: Ante Sikirica, Luka Grb\v{c}i\'c, Lado Kranj\v{c}evi\'c
• Abstract要約: 本稿では,二次チャネルとリブを用いたマイクロチャネルの設計を計算流体力学を用いて検討する。 ラテンハイパーキューブサンプリング、機械学習に基づく代理モデリング、多目的最適化を組み合わせたワークフローを提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In this paper, microchannel designs with secondary channels and with ribs are investigated using computational fluid dynamics and are coupled with a multi-objective optimization algorithm to determine and propose optimal solutions based on observed thermal resistance and pumping power. A workflow that combines Latin hypercube sampling, machine learning-based surrogate modeling and multi-objective optimization is proposed. Random forests, gradient boosting algorithms and neural networks were considered during the search for the best surrogate. We demonstrated that tuned neural networks can make accurate predictions and be used to create an acceptable surrogate model. Optimized solutions show a negligible difference in overall performance when compared to the conventional optimization approach. Additionally, solutions are calculated in one-fifth of the original time. Generated designs attain temperatures that are lower by more than 10% under the same pressure limits as a convectional microchannel design. When limited by temperature, pressure drops are reduced by more than 25%. Finally, the influence of each design variable on the thermal resistance and pumping power was investigated by employing the SHapley Additive exPlanations technique. Overall, we have demonstrated that the proposed framework has merit and can be used as a viable methodology in microchannel heat sink design optimization.
• Abstract（参考訳）: 本稿では, 二次チャネルとリブを用いたマイクロチャネル設計を計算流体力学を用いて検討し, 多目的最適化アルゴリズムと組み合わせて, 観測熱抵抗とポンプパワーに基づいて最適解を導出する。 ハイパーキューブサンプリング,機械学習に基づくサロゲートモデリング,多目的最適化を組み合わせたワークフローを提案する。 最良サロゲート探索において, ランダム林, 勾配促進アルゴリズム, ニューラルネットワークが検討された。 我々は、チューニングニューラルネットワークが正確な予測を行い、許容可能な代理モデルを作成することができることを示した。 最適化された解は、従来の最適化手法と比較して、全体的な性能に無視できる違いを示す。 さらに、解は元の時間の5分の1で計算される。 生成した設計は、対流マイクロチャネル設計と同じ圧力限界の下で10%以上低い温度に達する。 温度によって制限されると、圧力降下は25%以上減少する。 最後に, 各設計変数が耐熱性およびポンプパワーに及ぼす影響について, シャプリー加水分解法を用いて検討した。 全体として,提案フレームワークにはメリットがあり,マイクロチャネルヒートシンク設計最適化において有効な方法論として利用できることを示す。

関連論文リスト

• Diffusion Model for Data-Driven Black-Box Optimization [54.25693582870226]
  我々は、強力な生成AI技術である拡散モデルに注目し、ブラックボックス最適化の可能性について検討する。 本研究では,1)実数値報酬関数のノイズ測定と,2)対比較に基づく人間の嗜好の2種類のラベルについて検討する。 提案手法は,設計最適化問題を条件付きサンプリング問題に再構成し,拡散モデルのパワーを有効活用する。
  論文  参考訳（メタデータ） (2024-03-20T00:41:12Z)
• Efficient Inverse Design Optimization through Multi-fidelity Simulations, Machine Learning, and Search Space Reduction Strategies [0.8646443773218541]
  本稿では,限られた計算量で制約されたシナリオにおける逆設計最適化プロセスの拡張を目的とした手法を提案する。 提案手法はエアフォイル逆設計とスカラーフィールド再構成の2つの異なる工学的逆設計問題について解析する。 特に、この方法は、任意の逆設計アプリケーションに適用可能であり、代表的低忠実MLモデルと高忠実度シミュレーションの相乗効果を容易にし、様々な集団ベース最適化アルゴリズムにシームレスに適用することができる。
  論文  参考訳（メタデータ） (2023-12-06T18:20:46Z)
• Deep convolutional encoder-decoder hierarchical neural networks for conjugate heat transfer surrogate modeling [0.0]
  共役熱伝達(CHT)モデルは、多くの工学系の設計に不可欠である。 高忠実性CHTモデルは計算集約的であり、設計最適化のようなアプリケーションでの使用を制限する。 モジュール型深層畳み込みエンコーダ・デコーダ階層型ニューラルネットワーク(DeepEDH)を開発した。
  論文  参考訳（メタデータ） (2023-11-24T21:45:11Z)
• Photonic Structures Optimization Using Highly Data-Efficient Deep Learning: Application To Nanofin And Annular Groove Phase Masks [40.11095094521714]
  メタ表面は、薄膜光学の領域における光特性の操作のための柔軟なフレームワークを提供する。 本研究の目的は,これらのデバイスに対するサロゲート最適化フレームワークの導入である。 本フレームワークは、天文高コントラストイメージングへの応用に適した2種類の渦位相マスク(VPM)の開発に応用される。
  論文  参考訳（メタデータ） (2023-09-05T07:19:14Z)
• An Optimization-based Deep Equilibrium Model for Hyperspectral Image Deconvolution with Convergence Guarantees [71.57324258813675]
  本稿では,ハイパースペクトル画像のデコンボリューション問題に対処する新しい手法を提案する。 新しい最適化問題を定式化し、学習可能な正規化器をニューラルネットワークの形で活用する。 導出した反復解法は、Deep Equilibriumフレームワーク内の不動点計算問題として表現される。
  論文  参考訳（メタデータ） (2023-06-10T08:25:16Z)
• Heat Source Layout Optimization Using Automatic Deep Learning Surrogate and Multimodal Neighborhood Search Algorithm [2.596774017390572]
  衛星配置設計において、熱源配置最適化(HSLO)は、最大温度を下げ、システム全体の熱管理を改善する効果的な手法である。 近年,レイアウトから対応する温度場へのマッピングを学習する深層学習サロゲートHSLOが提案されている。
  論文  参考訳（メタデータ） (2022-05-16T17:08:03Z)
• Heat Conduction Plate Layout Optimization using Physics-driven Convolutional Neural Networks [14.198900757461555]
  熱伝導のレイアウト最適化は、特に感受性のある熱製品の設計において不可欠である。 データ駆動型アプローチは、所定の外部負荷と様々な幾何学の間のマッピングとして代理モデルを訓練するために使用される。 本稿では,物理駆動型畳み込みニューラルネットワーク(PD-CNN)手法を提案する。
  論文  参考訳（メタデータ） (2022-01-21T10:43:57Z)
• Efficient Micro-Structured Weight Unification and Pruning for Neural Network Compression [56.83861738731913]
  ディープニューラルネットワーク(DNN)モデルは、特にリソース制限されたデバイスにおいて、実用的なアプリケーションに不可欠である。 既往の非構造的あるいは構造化された重量刈り法は、推論を真に加速することはほとんど不可能である。 ハードウェア互換のマイクロ構造レベルでの一般化された重み統一フレームワークを提案し,高い圧縮と加速度を実現する。
  論文  参考訳（メタデータ） (2021-06-15T17:22:59Z)
• Speeding up Computational Morphogenesis with Online Neural Synthetic Gradients [51.42959998304931]
  現代科学および工学の適用の広い範囲は制約として部分的な微分方程式(PDEs)のシステムとの最適化問題として定式化されます。 これらのPDE制約最適化問題は通常、標準のDisretize-then-optimizeアプローチで解決される。 オンラインニューラル合成勾配(ONSG)を用いたPDE制約最適化の高速化のための新しい2スケール最適化手法を提案する。
  論文  参考訳（メタデータ） (2021-04-25T22:43:51Z)
• Covert Model Poisoning Against Federated Learning: Algorithm Design and Optimization [76.51980153902774]
  フェデレーテッド・ラーニング(FL)はパラメータ伝達中にFLモデルに対する外部攻撃に対して脆弱である。 本稿では,最先端の防御アグリゲーション機構に対処する有効なMPアルゴリズムを提案する。 実験の結果,提案したCMPアルゴリズムは,既存の攻撃機構よりも効果的で,かなり優れていることが示された。
  論文  参考訳（メタデータ） (2021-01-28T03:28:18Z)
• Data-Driven Random Access Optimization in Multi-Cell IoT Networks with NOMA [78.60275748518589]
  非直交多重アクセス(NOMA)は、5Gネットワーク以降で大規模なマシンタイプ通信(mMTC)を可能にする重要な技術です。 本稿では,高密度空間分散マルチセル無線IoTネットワークにおけるランダムアクセス効率向上のために,NOMAを適用した。 ユーザ期待容量の幾何学的平均を最大化するために,各IoTデバイスの伝送確率を調整したランダムチャネルアクセス管理の新たな定式化を提案する。
  論文  参考訳（メタデータ） (2021-01-02T15:21:08Z)

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。