論文の概要: Machine Learning-Assisted Discovery of Flow Reactor Designs

• arxiv url: http://arxiv.org/abs/2308.08841v3
• Date: Thu, 6 Jun 2024 16:21:09 GMT
• ステータス: 処理完了
• システム内更新日: 2024-06-08 00:49:21.104977
• Title: Machine Learning-Assisted Discovery of Flow Reactor Designs
• Title（参考訳）: 機械学習によるフローリアクタ設計の発見
• Authors: Tom Savage, Nausheen Basha, Jonathan McDonough, James Krassowski, Omar K Matar, Ehecatl Antonio del Rio Chanona,
• Abstract要約: 本稿では,次世代の化学反応器の設計のための機械学習支援手法を提案する。 我々は高次元パラメータ化、計算流体力学、多次元ベイズ最適化を適用する。 従来の設計よりも60%のプラグフロー性能向上をもたらす新しい設計特徴の選定を合理化する。
• 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 the principles of flow dynamics, we rationalise the selection of novel design features that lead to experimental plug flow 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）: 追加的な製造により、より大型で複雑な設計空間を許容する、先進的な原子炉のジオメトリーの製造が可能となった。 そ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重要な課題である。 さらに、既存の原子炉のパラメータ化は低次元であり、高価な最適化によりより複雑な解が制限される。 この課題に対処するために、我々は、高次元パラメータ化、計算流体力学、多要素ベイズ最適化を併用した、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確立する。 本研究は, 新型コイル型原子炉における混合型渦流構造の開発と性能を関連づけ, 最適設計の鍵となる特徴を同定するためのアプローチである。 フローダイナミクスの原理に訴えることで、従来の設計よりも60%のプラグフロー性能向上をもたらす新しい設計特徴の選定を合理化する。 以上の結果から, 先進的な製造技術と'強化インテリジェンス'アプローチの結合が設計性能を向上させ, その結果, 排出削減と持続可能性の向上につながる可能性が示唆された。

関連論文リスト

• 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)
• Automated Design and Optimization of Distributed Filtering Circuits via Reinforcement Learning [22.395289261487843]
  そこで本研究では,DFCの設計を改善するために,回路をエンド・ツー・エンドで自動生成する手法を提案する。 提案手法は強化学習(RL)アルゴリズムを利用して,技術者の設計経験への依存を解消する。
  論文  参考訳（メタデータ） (2024-02-22T02:36:14Z)
• 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。