論文の概要: Finding the Optimum Design of Large Gas Engines Prechambers Using CFD
and Bayesian Optimization
- arxiv url: http://arxiv.org/abs/2308.01743v1
- Date: Thu, 3 Aug 2023 13:07:46 GMT
- ステータス: 処理完了
- システム内更新日: 2023-08-04 14:09:29.916651
- Title: Finding the Optimum Design of Large Gas Engines Prechambers Using CFD
and Bayesian Optimization
- Title（参考訳）: CFDとベイズ最適化を用いた大型ガスエンジンプレチャンバの最適設計
- Authors: Stefan Posch, Clemens G\"o{\ss}nitzer, Franz Rohrhofer, Bernhard C.
Geiger, Andreas Wimmer
- Abstract要約: プレシャンバを用いた乱流噴流着火の概念は、大型ガスエンジンのリーン条件下で安定した燃焼を実現するための有望な解決策である。
大型ガスエンジンプリチャンバの設計および運転パラメータの幅が広いことから, 計算流体力学 (CFD) が好ましい。
本研究では,CFDシミュレーションを用いた大規模ガスエンジンプレチャンバ設計のベイズ最適化について検討した。
- 参考スコア（独自算出の注目度）: 5.381050729919025
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The turbulent jet ignition concept using prechambers is a promising solution
to achieve stable combustion at lean conditions in large gas engines, leading
to high efficiency at low emission levels. Due to the wide range of design and
operating parameters for large gas engine prechambers, the preferred method for
evaluating different designs is computational fluid dynamics (CFD), as testing
in test bed measurement campaigns is time-consuming and expensive. However, the
significant computational time required for detailed CFD simulations due to the
complexity of solving the underlying physics also limits its applicability. In
optimization settings similar to the present case, i.e., where the evaluation
of the objective function(s) is computationally costly, Bayesian optimization
has largely replaced classical design-of-experiment. Thus, the present study
deals with the computationally efficient Bayesian optimization of large gas
engine prechambers design using CFD simulation. Reynolds-averaged-Navier-Stokes
simulations are used to determine the target values as a function of the
selected prechamber design parameters. The results indicate that the chosen
strategy is effective to find a prechamber design that achieves the desired
target values.
- Abstract（参考訳）: プレシャンバを用いた乱流噴流着火の概念は、大型ガスエンジンのリーン条件下での安定した燃焼を実現するための有望な解であり、低排出レベルの高効率を実現する。
大型ガスエンジンのプリチャンバの設計および運転パラメータが幅広いため、試験ベッド測定の試験は時間と費用がかかるため、異なる設計を評価するための好ましい方法は計算流体力学(CFD)である。
しかし、基礎となる物理学を解く複雑さのため、詳細なCFDシミュレーションに必要な計算時間も大幅に制限される。
現在のような最適化設定では、目的関数(s)の評価が計算にコストがかかるため、ベイズ最適化は古典的な実験設計に置き換わっている。
そこで本研究では,cfdシミュレーションを用いた大型ガスエンジンプレチャンバ設計の計算効率の高いベイズ最適化について述べる。
Reynolds-averaged-Navier-Stokesシミュレーションを用いて、選択した事前設計パラメータの関数としてターゲット値を決定する。
その結果、選択した戦略は、所望の目標値を達成する事前設計を見つけるのに有効であることが示唆された。
関連論文リスト
- Machine-learning-based multipoint optimization of fluidic injection parameters for improving nozzle performance [2.5864426808687893]
本稿では,計算流体力学(CFD)シミュレーションの代替として,事前学習ニューラルネットワークモデルを用いる。
ノズル流れ場の物理的特性を考慮すると, モデルの伝達性を高めるために, 先行予測手法が採用された。
推力係数1.14%の改善を実現し、従来の最適化手法と比較して時間コストを大幅に削減する。
論文 参考訳（メタデータ） (2024-09-19T12:32:54Z) - Poisson Process for Bayesian Optimization [126.51200593377739]
本稿では、Poissonプロセスに基づくランキングベースの代理モデルを提案し、Poisson Process Bayesian Optimization(PoPBO)と呼ばれる効率的なBOフレームワークを提案する。
従来のGP-BO法と比較すると,PoPBOはコストが低く,騒音に対する堅牢性も良好であり,十分な実験により検証できる。
論文 参考訳（メタデータ） (2024-02-05T02:54:50Z) - Diffusion Generative Inverse Design [28.04683283070957]
逆設計(英: inverse design)とは、目的関数の入力を最適化し、目的の結果を導出する問題を指す。
学習グラフニューラルネットワーク(GNN)の最近の進歩は、シミュレーション力学の正確で効率的で微分可能な推定に利用することができる。
本稿では, 分散拡散モデルを用いて, 逆設計問題の解法を効率的に行う方法を示し, より効率的な粒子サンプリングアルゴリズムを提案する。
論文 参考訳（メタデータ） (2023-09-05T08:32:07Z) - Optimization for truss design using Bayesian optimization [1.5070398746522742]
トラスの形状は、積載量を決定する上で支配的な要素である。
与えられたパラメータ空間において、我々のゴールは、負荷を持つ容量を最大化し、誘起ストレスに屈しない船体のパラメータを見つけることである。
設計評価のための計算コストの高い設計解析ツールである有限要素解析に頼っている。
論文 参考訳（メタデータ） (2023-05-27T10:28:27Z) - Generalizing Bayesian Optimization with Decision-theoretic Entropies [102.82152945324381]
統計的決定論の研究からシャノンエントロピーの一般化を考える。
まず,このエントロピーの特殊なケースがBO手順でよく用いられる獲得関数に繋がることを示す。
次に、損失に対する選択肢の選択が、どのようにして柔軟な獲得関数の族をもたらすかを示す。
論文 参考訳（メタデータ） (2022-10-04T04:43:58Z) - Data-driven evolutionary algorithm for oil reservoir well-placement and
control optimization [3.012067935276772]
一般化されたデータ駆動進化アルゴリズム(GDDE)は、適切な配置と制御最適化問題で実行されるシミュレーションの数を減らすために提案される。
確率的ニューラルネットワーク(PNN)は、情報的および有望な候補を選択するための分類器として採用されている。
論文 参考訳（メタデータ） (2022-06-07T09:07:49Z) - Surrogate modeling for Bayesian optimization beyond a single Gaussian
process [62.294228304646516]
本稿では,探索空間の活用と探索のバランスをとるための新しいベイズ代理モデルを提案する。
拡張性のある関数サンプリングを実現するため、GPモデル毎にランダムな特徴ベースのカーネル近似を利用する。
提案した EGP-TS を大域的最適に収束させるため,ベイズ的後悔の概念に基づいて解析を行う。
論文 参考訳（メタデータ） (2022-05-27T16:43:10Z) - Zeroth-Order Hybrid Gradient Descent: Towards A Principled Black-Box
Optimization Framework [100.36569795440889]
この作業は、一階情報を必要としない零次最適化(ZO)の反復である。
座標重要度サンプリングにおける優雅な設計により,ZO最適化法は複雑度と関数クエリコストの両面において効率的であることを示す。
論文 参考訳（メタデータ） (2020-12-21T17:29:58Z) - A novel machine learning-based optimization algorithm (ActivO) for
accelerating simulation-driven engine design [0.0]
提案手法は,弱い学習者と強い学習者の予測をアクティブな学習ループ内で活用するサロゲートに基づくスキームである。
ActivOは、グローバル最適に到達するために必要な機能評価の数を減らし、設計までの時間を80%削減します。
論文 参考訳（メタデータ） (2020-12-08T13:39:51Z) - Optimal Bayesian experimental design for subsurface flow problems [77.34726150561087]
本稿では,設計ユーティリティ機能のためのカオス拡張サロゲートモデル(PCE)の開発のための新しいアプローチを提案する。
この手法により,対象関数に対する適切な品質応答面の導出が可能となり,計算予算は複数の単点評価に匹敵する。
論文 参考訳（メタデータ） (2020-08-10T09:42:59Z) - Bayesian Optimization for Selecting Efficient Machine Learning Models [53.202224677485525]
本稿では,予測効率とトレーニング効率の両面において,モデルを協調最適化するための統一ベイズ最適化フレームワークを提案する。
レコメンデーションタスクのためのモデル選択の実験は、この方法で選択されたモデルがモデルのトレーニング効率を大幅に改善することを示している。
論文 参考訳（メタデータ） (2020-08-02T02:56:30Z)
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。