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$排出に重大な影響を及ぼすことが知られており、工業と環境の両面において大きな課題となっている。
提案アーキテクチャは,産業関連アプリケーションに対して,CFDベンチマークに匹敵する精度をリアルタイムに達成できることが証明されている。
展開されたモデルはガスタービンの製造・製造プロセスに容易に統合され、実行可能で説明可能なデータを用いて性能への影響を解析的に評価する機会を提供する。
関連論文リスト
- A physics-informed machine learning model for reconstruction of dynamic
loads [0.0]
本稿では, 物理インフォームド・マシン・ラーニング・フレームワークを用いて, 測定された偏向, 速度, 加速度に基づいて動的力の再構成を行う。
このフレームワークは不完全で汚染されたデータを扱うことができ、ノイズ測定システムを考慮した自然な正規化手法を提供する。
開発されたフレームワークには、設計モデルと仮定、損傷検出と健康モニタリングを支援するための応答の予後が含まれる。
論文 参考訳（メタデータ） (2023-08-15T18:33:58Z) - A Comparative Study of Machine Learning Algorithms for Anomaly Detection
in Industrial Environments: Performance and Environmental Impact [62.997667081978825]
本研究は,環境の持続可能性を考慮した高性能機械学習モデルの要求に応えることを目的としている。
Decision TreesやRandom Forestsといった従来の機械学習アルゴリズムは、堅牢な効率性とパフォーマンスを示している。
しかし, 資源消費の累積増加にもかかわらず, 最適化された構成で優れた結果が得られた。
論文 参考訳（メタデータ） (2023-07-01T15:18:00Z) - C(NN)FD -- a deep learning framework for turbomachinery CFD analysis [0.0]
本稿では, ガスタービンの軸圧縮機全体の性能に及ぼす製造・施工の変動の影響をリアルタイムに予測するための新しいディープラーニングフレームワークの開発について述べる。
関連した効率の散乱はCO2排出量を大幅に増加させ、工業的および環境的関連性が高い。
提案したC(NN)FDアーキテクチャはCFDベンチマークに匹敵するリアルタイムの精度を実現する。
論文 参考訳（メタデータ） (2023-06-09T13:35:04Z) - Machine learning enabled experimental design and parameter estimation
for ultrafast spin dynamics [54.172707311728885]
機械学習とベイズ最適実験設計(BOED)を組み合わせた方法論を提案する。
本手法は,大規模スピンダイナミクスシミュレーションのためのニューラルネットワークモデルを用いて,BOEDの正確な分布と実用計算を行う。
数値ベンチマークでは,XPFS実験の誘導,モデルパラメータの予測,実験時間内でのより情報的な測定を行う上で,本手法の優れた性能を示す。
論文 参考訳（メタデータ） (2023-06-03T06:19:20Z) - Real-time high-resolution CO$_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) - Single Frame Atmospheric Turbulence Mitigation: A Benchmark Study and A
New Physics-Inspired Transformer Model [82.23276183684001]
本研究では,大気乱流の画像化のための物理インスピレーション付き変圧器モデルを提案する。
提案ネットワークは変圧器ブロックのパワーを利用して動的乱流歪みマップを共同で抽出する。
そこで本研究では,従来の客観的指標と,テキスト認識精度を用いたタスク駆動計測の両方で評価可能な,実世界の乱流データセットを新たに2つ提示する。
論文 参考訳（メタデータ） (2022-07-20T17:09:16Z) - 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) - Explainable Artificial Intelligence for Exhaust Gas Temperature of
Turbofan Engines [0.0]
記号回帰は「ブラックボックス」モデルの解釈可能な代替品である。
本研究では, 実寿命排ガス温度(EGT)データにSRを適用し, 飛行全体を通して高周波数で収集する。
その結果, 3degCの絶対差は, モデル精度に有意な結果が得られた。
論文 参考訳（メタデータ） (2022-03-24T15:05:32Z) - A Numerical Proof of Shell Model Turbulence Closure [41.94295877935867]
本稿では, 統計誤差, ユーレリアおよびラグランジアン構造関数, エネルギーカスケードの断続統計を定量的に再現するディープリカレントニューラルネットワークに基づく閉包を提案する。
本研究は,3次元ナビエ-ストークス乱流に対する類似した手法の開発を奨励するものである。
論文 参考訳（メタデータ） (2022-02-18T16:31:57Z) - Airfoil's Aerodynamic Coefficients Prediction using Artificial Neural
Network [0.0]
右翼を見つけることは、あらゆる航空機の設計の予備段階における重要なステップである。
本研究では、異なるネットワークアーキテクチャとトレーニングデータセットを比較し、ネットワークが与えられた翼のジオメトリをどのように知覚するかについての洞察を得る。
論文 参考訳（メタデータ） (2021-09-24T19:07:19Z) - Automating Turbulence Modeling by Multi-Agent Reinforcement Learning [4.784658158364452]
乱流モデルの自動検出ツールとしてマルチエージェント強化学習を導入する。
等方性乱流と等方性乱流の大規模渦シミュレーションにおけるこのアプローチの可能性を示す。
論文 参考訳（メタデータ） (2020-05-18T18:45:09Z)
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。