論文の概要: Deep convolutional encoder-decoder hierarchical neural networks for conjugate heat transfer surrogate modeling

• arxiv url: http://arxiv.org/abs/2311.17068v1
• Date: Fri, 24 Nov 2023 21:45:11 GMT
• ステータス: 処理完了
• システム内更新日: 2023-12-03 13:09:04.883202
• Title: Deep convolutional encoder-decoder hierarchical neural networks for conjugate heat transfer surrogate modeling
• Title（参考訳）: 共役伝熱サロゲートモデリングのための深層畳み込みエンコーダ・デコーダ階層型ニューラルネットワーク
• Authors: Takiah Ebbs-Picken, David A. Romero, Carlos M. Da Silva, Cristina H. Amon
• Abstract要約: 共役熱伝達(CHT)モデルは、多くの工学系の設計に不可欠である。 高忠実性CHTモデルは計算集約的であり、設計最適化のようなアプリケーションでの使用を制限する。 モジュール型深層畳み込みエンコーダ・デコーダ階層型ニューラルネットワーク(DeepEDH)を開発した。
• 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: Conjugate heat transfer (CHT) models are vital for the design of many engineering systems. However, high-fidelity CHT models are computationally intensive, which limits their use in applications such as design optimization, where hundreds to thousands of model evaluations are required. In this work, we develop a modular deep convolutional encoder-decoder hierarchical (DeepEDH) neural network, a novel deep-learning-based surrogate modeling methodology for computationally intensive CHT models. Leveraging convective temperature dependencies, we propose a two-stage temperature prediction architecture that couples velocity and temperature models. The proposed DeepEDH methodology is demonstrated by modeling the pressure, velocity, and temperature fields for a liquid-cooled cold-plate-based battery thermal management system with variable channel geometry. A computational model of the cold plate is developed and solved using the finite element method (FEM), generating a dataset of 1,500 simulations. The FEM results are transformed and scaled from unstructured to structured, image-like meshes to create training and test datasets. The DeepEDH methodology's performance is examined in relation to data scaling, training dataset size, and network depth. Our performance analysis covers the impact of the novel architecture, separate field models, output geometry masks, multi-stage temperature models, and optimizations of the hyperparameters and architecture. Furthermore, we quantify the influence of the CHT thermal boundary condition on surrogate model performance, highlighting improved temperature model performance with higher heat fluxes. Compared to other deep learning neural network surrogate models, such as U-Net and DenseED, the proposed DeepEDH methodology for CHT models exhibits up to a 65% enhancement in the coefficient of determination ($R^{2}$).
• Abstract（参考訳）: 共役熱伝達(CHT)モデルは、多くの工学系の設計に不可欠である。 しかし、高忠実性CHTモデルは計算集約的であり、数百から数千のモデル評価を必要とする設計最適化のようなアプリケーションでの使用を制限する。 本研究では,計算集約型chtモデルのための新しい深層学習型サロゲートモデリング手法である,モジュール型深層畳み込みエンコーダ・デコーダ階層型ニューラルネットワーク(deepedh)を開発した。 対流温度依存性を利用して,速度モデルと温度モデルを組み合わせた2段階の温度予測アーキテクチャを提案する。 提案手法は, 液体冷却冷板型電池熱管理システムの圧力, 速度, 温度場を可変チャネル形状でモデル化することによって実証する。 有限要素法(fem)を用いてコールドプレートの計算モデルを開発し,1,500シミュレーションのデータセットを生成する。 femの結果は、非構造化から構造化されたイメージライクなメッシュに変換され、トレーニングとテストデータセットを生成する。 deepedh方法論のパフォーマンスは、データスケーリング、データセットのサイズのトレーニング、ネットワーク深さに関連して検討される。 性能分析では、新しいアーキテクチャの影響、フィールドモデルの分離、出力幾何マスク、多段温度モデル、ハイパーパラメータとアーキテクチャの最適化について述べる。 さらに,熱流束の高い温度モデル性能の向上を強調して,cht温度境界条件がサロゲートモデル性能に及ぼす影響を定量化した。 u-net や denseed といった他のディープラーニングニューラルネットワークサロゲートモデルと比較すると,提案する cht モデルの deepedh 手法は決定係数 (r^{2}$) を最大 65% 向上させる。

関連論文リスト

• Exploring the design space of deep-learning-based weather forecasting systems [56.129148006412855]
  本稿では,異なる設計選択がディープラーニングに基づく天気予報システムに与える影響を系統的に分析する。 UNet、完全畳み込みアーキテクチャ、トランスフォーマーベースモデルなどの固定グリッドアーキテクチャについて検討する。 固定グリッドモデルの強靭な性能とグリッド不変アーキテクチャの柔軟性を組み合わせたハイブリッドシステムを提案する。
  論文  参考訳（メタデータ） (2024-10-09T22:25:50Z)
• Physics-Informed Machine Learning Towards A Real-Time Spacecraft Thermal Simulator [15.313871831214902]
  ここで提示されるPIMLモデルまたはハイブリッドモデルは、軌道上の熱負荷条件によって与えられるノイズの低減を予測するニューラルネットワークで構成されている。 我々は,ハイブリッドモデルの計算性能と精度を,データ駆動型ニューラルネットモデルと,地球周回小型宇宙船の高忠実度有限差分モデルと比較した。 PIMLベースのアクティブノダライゼーションアプローチは、ニューラルネットワークモデルや粗いメッシュモデルよりもはるかに優れた一般化を提供すると同時に、高忠実度モデルと比較して計算コストを最大1.7倍削減する。
  論文  参考訳（メタデータ） (2024-07-08T16:38:52Z)
• Mechanistic Design and Scaling of Hybrid Architectures [114.3129802943915]
  我々は、様々な計算プリミティブから構築された新しいハイブリッドアーキテクチャを特定し、テストする。 本研究では,大規模計算最適法則と新しい状態最適スケーリング法則解析を用いて,結果のアーキテクチャを実験的に検証する。 我々は,MAD合成法と計算-最適パープレキシティを相関させ,新しいアーキテクチャの正確な評価を可能にする。
  論文  参考訳（メタデータ） (2024-03-26T16:33:12Z)
• Temperature Balancing, Layer-wise Weight Analysis, and Neural Network Training [58.20089993899729]
  本稿では,直感的で効果的な階層学習手法であるTempBalanceを提案する。 我々は、TempBalanceが通常のSGDと注意深く調整されたスペクトルノルム正規化より著しく優れていることを示す。 また、TempBalanceは最先端のメトリクスやスケジューラよりも優れています。
  論文  参考訳（メタデータ） (2023-12-01T05:38:17Z)
• FluxGAN: A Physics-Aware Generative Adversarial Network Model for Generating Microstructures That Maintain Target Heat Flux [0.0]
  本稿では,大規模構造物の高品質な画像を同時に生成できる物理認識型生成逆ネットワークモデルFluxGANを提案する。 このモデルは2次元(2次元)の例で訓練した後、3次元(3次元)ドメインでコーティングミクロ組織と物理プロセスを生成することができる。 本手法は, 溶射皮膜の設計と最適化を, 様々な用途に応用できる可能性を持っている。
  論文  参考訳（メタデータ） (2023-10-06T23:13:40Z)
• Capturing Local Temperature Evolution during Additive Manufacturing through Fourier Neural Operators [0.0]
  本稿では, 加法製造過程における局所的な温度変化を捉えたデータ駆動モデルを提案する。 直接エネルギー沈着過程における不連続なガレルキン有限要素法に基づく数値シミュレーションで検証した。 その結果、このモデルはR2$で測定された高忠実度を実現し、トレーニングプロセスに含まれていない測地に対する一般化性を維持した。
  論文  参考訳（メタデータ） (2023-07-04T16:17:59Z)
• Multi-fidelity surrogate modeling for temperature field prediction using deep convolution neural network [8.98674326282801]
  本稿では,温度場予測のための深層多面体モデル (DMFM) を提案する。 低忠実度データを活用することで、高忠実度データの少ないパフォーマンスを向上する。 物理駆動型深層多面体モデル(PD-DMFM)の自己教師付き学習法を提案する。
  論文  参考訳（メタデータ） (2023-01-17T03:13:45Z)
• Multi-fidelity Hierarchical Neural Processes [79.0284780825048]
  多要素代理モデリングは、異なるシミュレーション出力を融合させることで計算コストを削減する。 本稿では,多階層型階層型ニューラルネットワーク(MF-HNP)を提案する。 疫学および気候モデリングタスクにおけるMF-HNPの評価を行い、精度と不確実性評価の観点から競合性能を達成した。
  論文  参考訳（メタデータ） (2022-06-10T04:54:13Z)
• Deep Variational Models for Collaborative Filtering-based Recommender Systems [63.995130144110156]
  ディープラーニングは、リコメンダシステムの結果を改善するために、正確な協調フィルタリングモデルを提供する。 提案するモデルは, 深層建築の潜伏空間において, 変分概念を注入性に適用する。 提案手法は, 入射雑音効果を超える変動エンリッチメントのシナリオにおいて, 提案手法の優位性を示す。
  論文  参考訳（メタデータ） (2021-07-27T08:59:39Z)
• Closed-form Continuous-Depth Models [99.40335716948101]
  連続深度ニューラルモデルは高度な数値微分方程式解法に依存している。 我々は,CfCネットワークと呼ばれる,記述が簡単で,少なくとも1桁高速な新しいモデル群を提示する。
  論文  参考訳（メタデータ） (2021-06-25T22:08:51Z)
• A Deep Neural Network Surrogate Modeling Benchmark for Temperature Field Prediction of Heat Source Layout [0.0]
  ディープニューラルネットワーク(DNN)回帰法は、その優れた計算性能のために実現可能な方法です。 本稿では,DNNベースのサロゲートモデリングタスクベンチマークを提案する。 実験は10の最先端のDNNモデルで行われます。
  論文  参考訳（メタデータ） (2021-03-20T13:26:21Z)

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。