論文の概要: A machine learning approach to the prediction of heat-transfer
coefficients in micro-channels
- arxiv url: http://arxiv.org/abs/2305.18406v1
- Date: Sun, 28 May 2023 15:48:01 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-31 21:33:27.899013
- Title: A machine learning approach to the prediction of heat-transfer
coefficients in micro-channels
- Title（参考訳）: マイクロチャネルにおける熱伝達係数の予測に対する機械学習アプローチ
- Authors: Tullio Traverso, Francesco Coletti, Luca Magri, Tassos G. Karayiannis,
Omar K. Matar
- Abstract要約: 2相熱伝達係数(HTC)の正確な予測は、コンパクト熱交換器の最適設計と運転の鍵となる。
マルチ出力ガウスプロセス回帰 (GPR) を用いて, マイクロチャネル内のHTCを, 質量流量, 熱流束, システム圧力, チャネル径, 長さの関数として推定する。
- 参考スコア（独自算出の注目度）: 4.724825031148412
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The accurate prediction of the two-phase heat transfer coefficient (HTC) as a
function of working fluids, channel geometries and process conditions is key to
the optimal design and operation of compact heat exchangers. Advances in
artificial intelligence research have recently boosted the application of
machine learning (ML) algorithms to obtain data-driven surrogate models for the
HTC. For most supervised learning algorithms, the task is that of a nonlinear
regression problem. Despite the fact that these models have been proven capable
of outperforming traditional empirical correlations, they have key limitations
such as overfitting the data, the lack of uncertainty estimation, and
interpretability of the results. To address these limitations, in this paper,
we use a multi-output Gaussian process regression (GPR) to estimate the HTC in
microchannels as a function of the mass flow rate, heat flux, system pressure
and channel diameter and length. The model is trained using the Brunel
Two-Phase Flow database of high-fidelity experimental data. The advantages of
GPR are data efficiency, the small number of hyperparameters to be trained
(typically of the same order of the number of input dimensions), and the
automatic trade-off between data fit and model complexity guaranteed by the
maximization of the marginal likelihood (Bayesian approach). Our paper proposes
research directions to improve the performance of the GPR-based model in
extrapolation.
- Abstract（参考訳）: 小型熱交換器の最適設計と運転には, 作業流体, チャネルジオメトリー, プロセス条件の関数としての二相熱伝達係数(HTC)の正確な予測が重要である。
人工知能研究の進歩は、HTCのデータ駆動サロゲートモデルを得るための機械学習(ML)アルゴリズムの適用を最近強化した。
ほとんどの教師付き学習アルゴリズムでは、そのタスクは非線形回帰問題である。
これらのモデルは従来の経験的相関よりも優れていることが証明されているにもかかわらず、データの過度な適合、不確実性推定の欠如、結果の解釈可能性といった重要な制限がある。
これらの制約に対処するために,本稿では,多出力ガウス過程回帰(gpr)を用いて,マイクロチャネル内のhtcを質量流量,熱流束,システム圧力,チャネル径,長さの関数として推定する。
モデルは高忠実度実験データのBrunel Two-Phase Flowデータベースを用いて訓練される。
GPRの利点は、データ効率、トレーニング対象のハイパーパラメータ(典型的には入力次元の数と同じ順序)の少なさ、および限界可能性の最大化によって保証されるデータ適合とモデル複雑性の間の自動トレードオフ(ベイズ的アプローチ)である。
本稿では,外挿におけるGPRモデルの性能向上のための研究指針を提案する。
関連論文リスト
- Computation-Aware Gaussian Processes: Model Selection And Linear-Time Inference [55.150117654242706]
我々は、1.8万のデータポイントでトレーニングされた計算対応GPのモデル選択が、1つのGPU上で数時間以内に可能であることを示す。
この研究の結果、ガウス過程は、不確実性を定量化する能力を著しく妥協することなく、大規模なデータセットで訓練することができる。
論文 参考訳（メタデータ） (2024-11-01T21:11:48Z) - An Investigation on Machine Learning Predictive Accuracy Improvement and Uncertainty Reduction using VAE-based Data Augmentation [2.517043342442487]
深層生成学習は、特定のMLモデルを使用して、既存のデータの基盤となる分布を学習し、実際のデータに似た合成サンプルを生成する。
本研究では,変分オートエンコーダ(VAE)を用いた深部生成モデルを用いて,データ拡張の有効性を評価することを目的とする。
本研究では,拡張データを用いてトレーニングしたディープニューラルネットワーク(DNN)モデルの予測において,データ拡張が精度の向上につながるかどうかを検討した。
論文 参考訳（メタデータ） (2024-10-24T18:15:48Z) - Physically Guided Deep Unsupervised Inversion for 1D Magnetotelluric Models [16.91835461818938]
我々は物理で導かれた新しいディープ・インバージョン・アルゴリズムを提案し、1Dマグネトロンモデル(MT)を推定する。
本手法では,コスト関数の最小化を物理的に導く,微分可能なモデリング演算子を用いる。
提案手法は, 異なる周波数でのフィールドデータと合成データを用いて検証し, 取得モデルが他の結果よりも精度が高いことを示す。
論文 参考訳（メタデータ） (2024-10-20T04:17:59Z) - Value function estimation using conditional diffusion models for control [62.27184818047923]
拡散値関数(DVF)と呼ばれる単純なアルゴリズムを提案する。
拡散モデルを用いて環境-ロボット相互作用の連成多段階モデルを学ぶ。
本稿では,DVFを用いて複数のコントローラの状態を効率よく把握する方法を示す。
論文 参考訳（メタデータ） (2023-06-09T18:40:55Z) - Winner-Take-All Column Row Sampling for Memory Efficient Adaptation of Language Model [89.8764435351222]
分散を低減した行列生成のために, WTA-CRS と呼ばれる新しい非バイアス推定系を提案する。
我々の研究は、チューニング変換器の文脈において、提案した推定器が既存のものよりも低い分散を示すという理論的および実験的証拠を提供する。
論文 参考訳（メタデータ） (2023-05-24T15:52:08Z) - Multi-fidelity surrogate modeling for temperature field prediction using
deep convolution neural network [8.98674326282801]
本稿では,温度場予測のための深層多面体モデル (DMFM) を提案する。
低忠実度データを活用することで、高忠実度データの少ないパフォーマンスを向上する。
物理駆動型深層多面体モデル(PD-DMFM)の自己教師付き学習法を提案する。
論文 参考訳（メタデータ） (2023-01-17T03:13:45Z) - Directed Acyclic Graph Factorization Machines for CTR Prediction via
Knowledge Distillation [65.62538699160085]
本稿では,既存の複雑な相互作用モデルから,知識蒸留によるCTR予測のための高次特徴相互作用を学習するための非巡回グラフファクトリゼーションマシン(KD-DAGFM)を提案する。
KD-DAGFMは、オンラインとオフラインの両方の実験において、最先端のFLOPの21.5%未満で最高の性能を達成する。
論文 参考訳（メタデータ） (2022-11-21T03:09:42Z) - Hybrid full-field thermal characterization of additive manufacturing
processes using physics-informed neural networks with data [5.653328302363391]
我々は,物理インフォームドニューラルネットワークを用いたAMプロセスのハイブリッドなデータ駆動熱モデリング手法を開発した。
赤外線カメラから測定された部分観測温度データと物理法則を組み合わせることで、全球温度履歴を予測する。
その結果,ハイブリッド熱モデルでは未知のパラメータを効果的に同定し,フルフィールド温度を正確に把握できることがわかった。
論文 参考訳（メタデータ） (2022-06-15T18:27:10Z) - A hybrid data driven-physics constrained Gaussian process regression
framework with deep kernel for uncertainty quantification [21.972192114861873]
本稿では,データ駆動物理制約付きガウスプロセス回帰フレームワークを提案する。
物理知識をボルツマン・ギブス分布でエンコードし、最大可能性(ML)アプローチでモデルを導出する。
提案モデルでは,高次元問題において良好な結果が得られ,その不確かさを正確に伝播し,ラベル付きデータを極めて限定的に提供した。
論文 参考訳（メタデータ） (2022-05-13T07:53:49Z) - Convolutional generative adversarial imputation networks for
spatio-temporal missing data in storm surge simulations [86.5302150777089]
GAN(Generative Adversarial Imputation Nets)とGANベースの技術は、教師なし機械学習手法として注目されている。
提案手法を Con Conval Generative Adversarial Imputation Nets (Conv-GAIN) と呼ぶ。
論文 参考訳（メタデータ） (2021-11-03T03:50:48Z) - A Hypergradient Approach to Robust Regression without Correspondence [85.49775273716503]
本稿では,入力データと出力データとの対応が不十分な回帰問題について考察する。
ほとんどの既存手法はサンプルサイズが小さい場合にのみ適用できる。
シャッフル回帰問題に対する新しい計算フレームワークであるROBOTを提案する。
論文 参考訳（メタデータ） (2020-11-30T21:47:38Z)
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。