論文の概要: Machine Learning-Assisted Discovery of Novel Reactor Designs via
CFD-Coupled Multi-fidelity Bayesian Optimisation
- arxiv url: http://arxiv.org/abs/2308.08841v1
- Date: Thu, 17 Aug 2023 08:00:20 GMT
- ステータス: 処理完了
- システム内更新日: 2023-08-21 17:36:33.098171
- Title: Machine Learning-Assisted Discovery of Novel Reactor Designs via
CFD-Coupled Multi-fidelity Bayesian Optimisation
- Title（参考訳）: CFD結合多忠実ベイズ最適化による新しい原子炉設計の機械学習支援
- Authors: Tom Savage, Nausheen Basha, Jonathan McDonough, Omar K Matar, Ehecatl
Antonio del Rio Chanona
- Abstract要約: クロスセクションとコイルパスの変動を可能にする2つの新しいコイルチューブパラメタライゼーションを提案する。
提案手法は,複数の連続忠実度を特徴付け,パラメータ化メッシュやシミュレーションと組み合わせることで,より低い品質を実現するが,より高速なシミュレーションを最適化を通じて活用する。
高パラメータ化リアクターの設計,最適化,製造を実証することにより,次世代リアクターの枠組みの確立を目指す。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Additive manufacturing has enabled the production of more advanced reactor
geometries, resulting in the potential for significantly larger and more
complex design spaces. Identifying and optimising promising configurations
within broader design spaces presents a significant challenge for existing
human-centric design approaches. As such, existing parameterisations of
coiled-tube reactor geometries are low-dimensional with expensive optimisation
limiting more complex solutions. Given algorithmic improvements and the onset
of additive manufacturing, we propose two novel coiled-tube parameterisations
enabling the variation of cross-section and coil path, resulting in a series of
high dimensional, complex optimisation problems. To ensure tractable, non-local
optimisation where gradients are not available, we apply multi-fidelity
Bayesian optimisation. Our approach characterises multiple continuous
fidelities and is coupled with parameterised meshing and simulation, enabling
lower quality, but faster simulations to be exploited throughout optimisation.
Through maximising the plug-flow performance, we identify key characteristics
of optimal reactor designs, and extrapolate these to produce two novel
geometries that we 3D print and experimentally validate. By demonstrating the
design, optimisation, and manufacture of highly parameterised reactors, we seek
to establish a framework for the next-generation of reactors, demonstrating
that intelligent design coupled with new manufacturing processes can
significantly improve the performance and sustainability of future chemical
processes.
- Abstract（参考訳）: 付加物製造により、より先進的な原子炉ジオメトリの製造が可能となり、より大きく複雑な設計空間の可能性を秘めている。
幅広い設計空間内で有望な構成を特定し最適化することは、既存の人間中心の設計アプローチにとって大きな課題となる。
このように、コイル付きチューブリアクタージオメトリの既存のパラメータ化は、より複雑な解を制限した高価な最適化により低次元である。
アルゴリズムの改良と加法製造の開始を前提として,クロスセクションとコイルパスの変動を可能にする2つの新しいコイル管パラメタライゼーションを提案し,その結果,高次元,複雑な最適化問題が発生した。
勾配が得られない扱いやすい非局所最適化を確保するために、多元ベイズ最適化を適用する。
提案手法は,複数の連続忠実度を特徴付け,パラメータ化メッシュやシミュレーションと組み合わせることで,より低品質で高速なシミュレーションを実現する。
プラグフロー性能を最大化することにより、最適反応器設計の重要な特徴を特定し、これらを外挿して、2つの新しいジオメトリを生成し、3Dプリントして実験的に検証する。
本研究では, 次世代原子炉の設計, 最適化, 製造を実証することにより, 新しい製造プロセスと組み合わせたインテリジェントな設計が, 将来の化学プロセスの性能と持続可能性を大幅に向上させることを示す。
関連論文リスト
- Design Optimization of Nuclear Fusion Reactor through Deep Reinforcement Learning [4.297070083645049]
本研究では,核融合炉の設計を最適化するための深部強化学習の適用について検討する。
提案手法により, 建設コストを低減しつつ, 運転要件を満たす最適原子炉設計の立案が可能となる。
論文 参考訳（メタデータ） (2024-09-12T17:23:01Z) - Hallmarks of Optimization Trajectories in Neural Networks: Directional Exploration and Redundancy [75.15685966213832]
最適化トラジェクトリのリッチな方向構造をポイントワイズパラメータで解析する。
トレーニング中のスカラーバッチノルムパラメータは,ネットワーク全体のトレーニング性能と一致していることを示す。
論文 参考訳（メタデータ） (2024-03-12T07:32:47Z) - Compositional Generative Inverse Design [69.22782875567547]
入力変数を設計して目的関数を最適化する逆設計は重要な問題である。
拡散モデルにより得られた学習エネルギー関数を最適化することにより、そのような逆例を避けることができることを示す。
N-body 相互作用タスクと2次元多面体設計タスクにおいて,実験時に学習した拡散モデルを構成することにより,初期状態と境界形状を設計できることを示す。
論文 参考訳（メタデータ） (2024-01-24T01:33:39Z) - Shaping of Magnetic Field Coils in Fusion Reactors using Bayesian
Optimisation [0.0]
磁気閉じ込めを用いた核融合は、持続可能エネルギーの方法として有望である。
ほとんどの核融合装置は実験段階にあり、エネルギー原子炉に向かっているため、我々は新しい工学パラダイムに参入している。
デザイン検索空間の探索と最適パラメータの同定を支援するAI駆動型戦略の実証を実証する。
論文 参考訳（メタデータ） (2023-10-02T10:47:00Z) - Aligning Optimization Trajectories with Diffusion Models for Constrained
Design Generation [17.164961143132473]
本稿では,拡散モデルのサンプリング軌跡と従来の物理法に基づく最適化軌跡との整合性を示す学習フレームワークを提案する。
提案手法では,高コストプリプロセッシングや外部サロゲートモデル,ラベル付きデータの追加を必要とせずに,実用的で高性能な設計を2段階で生成することができる。
この結果から, TAは分布内構成における最先端の深層生成モデルより優れ, 推論計算コストを半減することがわかった。
論文 参考訳（メタデータ） (2023-05-29T09:16:07Z) - Design Space Exploration and Explanation via Conditional Variational
Autoencoders in Meta-model-based Conceptual Design of Pedestrian Bridges [52.77024349608834]
本稿では,条件付き変分オートエンコーダ(CVAE)による人間設計者向上のための性能駆動型設計探索フレームワークを提案する。
CVAEはスイスの歩行者橋の合成例18万件で訓練されている。
論文 参考訳（メタデータ） (2022-11-29T17:28:31Z) - Deep Gaussian Process-based Multi-fidelity Bayesian Optimization for
Simulated Chemical Reactors [0.0]
深部ガウス過程(DGP)を多密度コイル管型原子炉シミュレーションのモデル化に応用する。
反応器ジオメトリーの探索空間は、異なる忠実度シミュレーションのアマルガムによって探索される。
シミュレーションの精度は、3Dプリントされた原子炉構成から得られた実験データに対して決定される。
論文 参考訳（メタデータ） (2022-10-31T10:52:16Z) - Inverse design of photonic devices with strict foundry fabrication
constraints [55.41644538483948]
本稿では,ナノフォトニクス素子の逆設計法を提案し,設計が厳密な長さの制約を満たすことを保証した。
本手法の性能と信頼性を,いくつかの共通集積フォトニック部品を設計することによって実証する。
論文 参考訳（メタデータ） (2022-01-31T02:27:25Z) - Machine Learning Framework for Quantum Sampling of Highly-Constrained,
Continuous Optimization Problems [101.18253437732933]
本研究では,連続空間の逆設計問題を,制約のないバイナリ最適化問題にマッピングする,汎用的な機械学習ベースのフレームワークを開発する。
本研究では, 熱発光トポロジを熱光応用に最適化し, (ii) 高効率ビームステアリングのための拡散メタグレーティングを行うことにより, 2つの逆設計問題に対するフレームワークの性能を示す。
論文 参考訳（メタデータ） (2021-05-06T02:22:23Z) - Generative Design by Reinforcement Learning: Enhancing the Diversity of
Topology Optimization Designs [5.8010446129208155]
本研究では、トポロジ設計の多様性を最大化する報酬関数を備えた強化学習に基づく生成設計プロセスを提案する。
RLをベースとした生成設計は,GPUを完全自動で活用することにより,短時間で多数の多様な設計を生成できることを示す。
論文 参考訳（メタデータ） (2020-08-17T06:50:47Z) - 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)
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。