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/2310.04264v4
- Date: Fri, 6 Sep 2024 14:35:22 GMT
- ステータス: 処理完了
- システム内更新日: 2024-09-09 21:08:18.998653
- Title: Deep learning modelling of manufacturing and build variations on multi-stage axial compressors aerodynamics
- Title(参考訳): 多段軸圧縮機空気力学による製造・施工の深層学習モデリング
- Authors: Giuseppe Bruni, Sepehr Maleki, Senthil K. Krishnababu,
- Abstract要約: 本稿では,多段軸圧縮機の流れ場および空力特性予測の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。
物理に基づく次元の減少は、流れ場予測の可能性を解き放つ。
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: Applications of deep learning to physical simulations such as Computational Fluid Dynamics have recently experienced a surge in interest, and their viability has been demonstrated in different domains. However, due to the highly complex, turbulent and three-dimensional flows, they have not yet been proven usable for turbomachinery applications. Multi-stage axial compressors for gas turbine applications represent a remarkably challenging case, due to the high-dimensionality of the regression of the flow-field from geometrical and operational variables. This paper demonstrates the development and application of a deep learning framework for predictions of the flow field and aerodynamic performance of multi-stage axial compressors. A physics-based dimensionality reduction unlocks the potential for flow-field predictions, as it re-formulates the regression problem from an un-structured to a structured one, as well as reducing the number of degrees of freedom. Compared to traditional "black-box" surrogate models, it provides explainability to the predictions of overall performance by identifying the corresponding aerodynamic drivers. This is applied to model the effect of manufacturing and build variations, as the associated performance scatter is known to have a significant impact on $CO_2$ emissions, 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 with actionable and explainable data.
- Abstract(参考訳): 計算流体力学(Computational Fluid Dynamics)のような物理シミュレーションへのディープラーニングの応用は、最近関心の高まりを経験しており、その生存性は異なる領域で実証されている。
しかし、非常に複雑な乱流と3次元の流れのため、ターボ機械用途にはまだ使用できない。
ガスタービン用多段軸圧縮機は、幾何学的および操作的変数からの流れ場の回帰の高次元性のため、非常に難しいケースである。
本稿では,多段軸圧縮機の流れ場および空力特性予測の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。
物理に基づく次元の減少は、非構造化状態から構造化状態への回帰問題を再定式化し、自由度を減少させる流れ場予測の可能性を解き放つ。
従来の"ブラックボックス"サロゲートモデルと比較して、対応する空力ドライバを識別することで、全体的なパフォーマンスの予測に説明性を提供する。
これは製造と建築のバリエーションの影響をモデル化するために応用され、関連する性能散乱はCO_2$排出に重大な影響を及ぼすことが知られており、工業と環境の両面において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。
展開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、実行可能で説明可能なデータを用いて性能への影響を解析的に評価する機会を提供する。
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, ガスタービンの軸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。
関連した効率の散乱はCO2排出量を大幅に増加させ、工業的および環境的関連性が高い。
提案したC(NN)FDアーキテクチャはCFDベンチマークに匹敵するリアルタイムの精度を実現する。
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。