論文の概要: Deep learning modelling of manufacturing and build variations on
multi-stage axial compressors aerodynamics
- arxiv url: http://arxiv.org/abs/2310.04264v3
- Date: Wed, 13 Mar 2024 13:42:40 GMT
- ステータス: 処理完了
- システム内更新日: 2024-03-14 18:27:53.137758
- Title: Deep learning modelling of manufacturing and build variations on
multi-stage axial compressors aerodynamics
- Title(参考訳): 製造・建築の深層学習モデリング
多段軸圧縮機空気力学
- Authors: Giuseppe Bruni, Sepehr Maleki, Senthil K. Krishnababu
- Abstract要約: 本稿では,製造・施工のバリエーションをリアルタイムに予測するためのディープラーニングフレームワークの開発と応用について述べる。
提案アーキテクチャは,産業関連アプリケーションに対して,CFDベンチマークに匹敵する精度をリアルタイムに達成できることが証明されている。
- 参考スコア(独自算出の注目度): 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Application of deep learning methods to physical simulations such as CFD
(Computational Fluid Dynamics) for turbomachinery applications, have been so
far of limited industrial relevance. This paper demonstrates the development
and application of a deep learning framework for real-time predictions of the
impact of manufacturing and build variations, such as tip clearance and surface
roughness, on the flow field and aerodynamic performance of multi-stage axial
compressors in gas turbines. The associated scatter in compressor efficiency is
known to have a significant impact on the corresponding overall performance and
emissions of the gas turbine, therefore posing a challenge of great industrial
and environmental relevance. The proposed architecture is proven to achieve an
accuracy comparable to that of the CFD benchmark, in real-time, for an
industrially relevant application. The deployed model, is readily integrated
within the manufacturing and build process of gas turbines, thus providing the
opportunity to analytically assess the impact on performance and potentially
reduce requirements for expensive physical tests.
- Abstract(参考訳): CFD(Computational Fluid Dynamics)などの物理シミュレーションにおける深層学習法のターボ機械への応用は,産業的関連性に限界がある。
本稿では, ガスタービン用多段軸圧縮機の流動場および空力特性に及ぼす先端クリアランスや表面粗さなどの製造・施工変動の影響をリアルタイムに予測するためのディープラーニングフレームワークの開発と応用について述べる。
圧縮機効率における関連する散乱は、ガスタービンの全体的な性能と排出に重大な影響を与えることが知られており、工業的および環境的関連性に大きな課題となっている。
提案アーキテクチャは,産業関連アプリケーションに対して,CFDベンチマークに匹敵する精度をリアルタイムに達成できることが証明されている。
配備されたモデルはガスタービンの製造・製造プロセスに容易に統合され、性能への影響を解析的に評価し、高価な物理試験の要求を減らし得る機会を提供する。
関連論文リスト
- Probabilistic Physics-integrated Neural Differentiable Modeling for
Isothermal Chemical Vapor Infiltration Process [3.878427803346315]
化学気相浸透(CVI)は、炭素-炭素および炭化炭素-ケイ素複合化合物の製造に広く用いられている製造技術である。
CVI中の密度化過程は, これらの複合材料の最終性能, 品質, 整合性に重要な影響を及ぼす。
我々は物理積分型ニューラル微分可能(PiNDiff)モデリングフレームワークを用いたデータ駆動予測モデルを開発した。
論文 参考訳(メタデータ) (2023-11-13T23:25:18Z) - Combining Thermodynamics-based Model of the Centrifugal Compressors and
Active Machine Learning for Enhanced Industrial Design Optimization [1.393251976777607]
本稿では,熱力学に基づく圧縮機モデルとガウス過程に基づくサロゲートモデルを組み合わせたActive-CompDesignフレームワークを提案する。
サンプルの不確実性に基づく問合せ機能を活用することにより,サロゲートモデルの性能が大幅に向上することを示す。
本研究では, 内部熱力学に基づくシミュレータよりも圧縮機設計最適化の計算時間を約46%に短縮した。
論文 参考訳(メタデータ) (2023-09-06T08:06:15Z) - A Comparative Study of Machine Learning Algorithms for Anomaly Detection
in Industrial Environments: Performance and Environmental Impact [62.997667081978825]
本研究は,環境の持続可能性を考慮した高性能機械学習モデルの要求に応えることを目的としている。
Decision TreesやRandom Forestsといった従来の機械学習アルゴリズムは、堅牢な効率性とパフォーマンスを示している。
しかし, 資源消費の累積増加にもかかわらず, 最適化された構成で優れた結果が得られた。
論文 参考訳(メタデータ) (2023-07-01T15:18:00Z) - C(NN)FD -- a deep learning framework for turbomachinery CFD analysis [0.0]
本稿では, ガスタービンにおける圧縮機全体の性能に及ぼす製造・施工の変動の影響をリアルタイムに予測するための新しいディープラーニングフレームワークの開発について述べる。
効率の散乱はCO$の排出を著しく増加させ、工業的および環境的関連性が高い。
論文 参考訳(メタデータ) (2023-06-09T13:35:04Z) - Spherical Fourier Neural Operators: Learning Stable Dynamics on the
Sphere [53.63505583883769]
球面幾何学の演算子を学習するための球面FNO(SFNO)を紹介する。
SFNOは、気候力学の機械学習に基づくシミュレーションに重要な意味を持つ。
論文 参考訳(メタデータ) (2023-06-06T16:27:17Z) - Machine learning enabled experimental design and parameter estimation
for ultrafast spin dynamics [54.172707311728885]
機械学習とベイズ最適実験設計(BOED)を組み合わせた方法論を提案する。
本手法は,大規模スピンダイナミクスシミュレーションのためのニューラルネットワークモデルを用いて,BOEDの正確な分布と実用計算を行う。
数値ベンチマークでは,XPFS実験の誘導,モデルパラメータの予測,実験時間内でのより情報的な測定を行う上で,本手法の優れた性能を示す。
論文 参考訳(メタデータ) (2023-06-03T06:19:20Z) - A Synergistic Framework Leveraging Autoencoders and Generative
Adversarial Networks for the Synthesis of Computational Fluid Dynamics
Results in Aerofoil Aerodynamics [0.5018156030818882]
本研究では,自動エンコーダとGANを組み合わせてCFD結果を生成する手法を提案する。
我々の革新的なフレームワークは、オートエンコーダの本質的な能力を利用して、エアロフォイルジオメトリーを圧縮された20長ベクトル表現にエンコードする。
条件付きGANネットワークは、このベクトルを正確な圧力分布プロットに変換し、固定風速、攻撃角、乱流レベル仕様を考慮に入れている。
論文 参考訳(メタデータ) (2023-05-28T09:46:18Z) - Directed Acyclic Graph Factorization Machines for CTR Prediction via
Knowledge Distillation [65.62538699160085]
本稿では,既存の複雑な相互作用モデルから,知識蒸留によるCTR予測のための高次特徴相互作用を学習するための非巡回グラフファクトリゼーションマシン(KD-DAGFM)を提案する。
KD-DAGFMは、オンラインとオフラインの両方の実験において、最先端のFLOPの21.5%未満で最高の性能を達成する。
論文 参考訳(メタデータ) (2022-11-21T03:09:42Z) - Real-time high-resolution CO$_2$ geological storage prediction using
nested Fourier neural operators [58.728312684306545]
炭素捕獲貯蔵(CCS)は、地球規模の脱炭酸に不可欠な役割を担っている。
CCS展開のスケールアップには, 貯留層圧力上昇とガス配管マイグレーションの高精度かつ高精度なモデリングが必要である。
我々は,高分解能な3D CO2ストレージモデリングのための機械学習フレームワークであるNested Fourier Neural Operator (FNO)を,盆地スケールで導入した。
論文 参考訳(メタデータ) (2022-10-31T04:04:03Z) - Physics-informed machine learning with differentiable programming for
heterogeneous underground reservoir pressure management [64.17887333976593]
地下貯水池の過圧化を避けることは、CO2の沈殿や排水の注入といった用途に欠かせない。
地中における複雑な不均一性のため, 噴射・抽出制御による圧力管理は困難である。
過圧化防止のための流体抽出速度を決定するために、フル物理モデルと機械学習を用いた微分可能プログラミングを用いる。
論文 参考訳(メタデータ) (2022-06-21T20:38:13Z)
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。