論文の概要: Machine Learning-Assisted Discovery of Novel Reactor Designs
- arxiv url: http://arxiv.org/abs/2308.08841v2
- Date: Thu, 14 Sep 2023 17:45:45 GMT
- ステータス: 処理完了
- システム内更新日: 2023-09-15 18:30:13.459366
- Title: Machine Learning-Assisted Discovery of Novel Reactor Designs
- Title(参考訳): 機械学習による新しい原子炉設計の発見
- Authors: Tom Savage, Nausheen Basha, Jonathan McDonough, Omar K Matar, Ehecatl
Antonio del Rio Chanona
- Abstract要約: 我々は,次世代の化学反応器の設計のための機械学習支援アプローチを開発した。
流体力学的原理に訴えることにより,従来の設計よりも60%の性能向上をもたらす新しい設計特徴の選択を合理化する。
以上の結果から,先進的な製造技術とインテリジェンスを融合させることで,設計性能が向上し,その結果,排出削減や持続可能性も向上することが示唆された。
- 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 fabrication of advanced reactor
geometries, permitting larger, more complex design spaces. Identifying
promising configurations within such spaces presents a significant challenge
for current approaches. Furthermore, existing parameterisations of reactor
geometries are low-dimensional with expensive optimisation limiting more
complex solutions. To address this challenge, we establish a machine
learning-assisted approach for the design of the next-generation of chemical
reactors, combining the application of high-dimensional parameterisations,
computational fluid dynamics, and multi-fidelity Bayesian optimisation. We
associate the development of mixing-enhancing vortical flow structures in novel
coiled reactors with performance, and use our approach to identify key
characteristics of optimal designs. By appealing to fluid mechanical
principles, we rationalise the selection of novel design features that lead to
experimental performance improvements of ~60% over conventional designs. Our
results demonstrate that coupling advanced manufacturing techniques with
`augmented-intelligence' approaches can lead to superior design performance
and, consequently, emissions-reduction and sustainability.
- Abstract(参考訳): 付加物製造は高度な原子炉ジオメトリの製作を可能にし、より大きく、より複雑な設計空間を可能にした。
このような空間内で有望な構成を特定することは、現在のアプローチにとって大きな課題となる。
さらに、既存の反応器ジオメトリのパラメータ化は低次元であり、より複雑な解を最適化するコストがかかる。
この課題に対処するために,高次元パラメータ化,計算流体力学,多元的ベイズ最適化の応用を組み合わせることで,次世代ケミカルリアクターの設計のための機械学習支援手法を確立する。
本研究では,新しいコイル型原子炉における混合強化渦流構造の開発と性能を関連付け,最適設計の重要な特徴を同定する手法を提案する。
流体力学的原理に訴えることにより,従来の設計よりも60%程度の性能向上をもたらす新しい設計特徴の選択を合理化する。
以上の結果から,先進的な製造技術と'提案型知能'のアプローチを組み合わせることで,優れた設計性能,その結果,排出削減と持続性が得られている。
関連論文リスト
- Accelerated Gradient-based Design Optimization Via Differentiable Physics-Informed Neural Operator: A Composites Autoclave Processing Case Study [0.0]
本稿では,複雑な工学系の非線形挙動を効果的にモデル化する物理インフォームドディープONet(PIDON)アーキテクチャを提案する。
3倍の高速化を実現した航空宇宙グレード複合材料硬化プロセスの最適化における本フレームワークの有効性を実証する。
提案モデルには,高度工学およびディジタルツインシステムにおける幅広い応用のための,スケーラブルで効率的な最適化ツールとして使用される可能性がある。
論文 参考訳(メタデータ) (2025-02-17T07:11:46Z) - A Survey on Inference Optimization Techniques for Mixture of Experts Models [50.40325411764262]
大規模Mixture of Experts(MoE)モデルは、条件計算によるモデル容量と計算効率の向上を提供する。
これらのモデル上で推論をデプロイし実行することは、計算資源、レイテンシ、エネルギー効率において大きな課題を示す。
本調査では,システムスタック全体にわたるMoEモデルの最適化手法について分析する。
論文 参考訳(メタデータ) (2024-12-18T14:11:15Z) - 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) - 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) - 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。