論文の概要: Deep encoder-decoder hierarchical convolutional neural networks for conjugate heat transfer surrogate modeling
- arxiv url: http://arxiv.org/abs/2311.17068v2
- Date: Wed, 18 Dec 2024 03:28:16 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-12-19 16:45:28.929217
- Title: Deep encoder-decoder hierarchical convolutional neural networks for conjugate heat transfer surrogate modeling
- Title(参考訳): 共役熱伝達代理モデリングのためのディープエンコーダ・デコーダ階層型畳み込み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)解析は多くのエネルギー系の設計に不可欠である。
高忠実CHT数値シミュレーションは計算集約的である。
我々は,CHT解析のためのモジュール型ディープエンコーダ・デコーダ階層型畳み込み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:
- Abstract: Conjugate heat transfer (CHT) analyses are vital for the design of many energy systems. However, high-fidelity CHT numerical simulations are computationally intensive, which limits their applications such as design optimization, where hundreds to thousands of evaluations are required. In this work, we develop a modular deep encoder-decoder hierarchical (DeepEDH) convolutional neural network, a novel deep-learning-based surrogate modeling methodology for computationally intensive CHT analyses. Leveraging convective temperature dependencies, we propose a two-stage temperature prediction architecture that couples velocity and temperature fields. 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 mesh and CHT formulation of the cold plate is created and solved using the finite element method (FEM), generating a dataset of 1,500 simulations. Our performance analysis covers the impact of the novel architecture, separate DeepEDH models for each field, output geometry masks, multi-stage temperature field predictions, and optimizations of the hyperparameters and architecture. Furthermore, we quantify the influence of the CHT analysis' thermal boundary conditions 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 architecture for CHT analyses exhibits up to a 65% enhancement in the coefficient of determination $R^{2}$. (*Due to the notification of arXiv "The Abstract field cannot be longer than 1,920 characters", the appeared Abstract is shortened. For the full Abstract, please download the Article.)
- Abstract(参考訳): 共役熱伝達(CHT)解析は多くのエネルギー系の設計に不可欠である。
しかし、高忠実性CHT数値シミュレーションは計算集約的であり、数百から数千の評価を必要とする設計最適化のような応用を制限している。
本研究では,計算集約型CHT解析のための新しいディープラーニングに基づく代理モデリング手法である,モジュール型ディープエンコーダ・デコーダ階層型畳み込み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,速度場と温度場を結合した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メッシュおよびCHT定式化を行い, 1500個のシミュレーションデータを生成する。
性能分析では,新しいアーキテクチャの影響,各フィールド毎のDeepEDHモデル,出力幾何マスク,多段温度場予測,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,CHT解析の熱境界条件が代理モデル性能に及ぼす影響を定量化し,高い熱フラックスによる改良された温度モデル性能を強調した。
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して、CHT分析のためのDeepEDHアーキテクチャでは、決定係数が最大65%向上している。
(※「抽象フィールドは1,920文字以上はならない」というarXivの通知により、出現した抽象文字を短縮する。全要約については、本項をダウンロードしてください。)
関連論文リスト
- Optimizing Temperature for Language Models with Multi-Sample Inference [47.14991144052361]
本稿では,異なる大言語モデルに対する(近傍)最適温度の自動同定という課題に対処する。
モデルアーキテクチャ、データセット、タスクタイプ、モデルサイズ、予測精度の変動を考慮して、性能最適化における温度の役割を総合的に分析する。
本稿では,温度自動最適化のためのエントロピーに基づく新しい計量法を提案する。
論文 参考訳(メタデータ) (2025-02-07T19:35:25Z) - Decrypting the temperature field in flow boiling with latent diffusion models [1.9190568044682759]
本稿では,位相インジケータマップから温度場を生成するためにLDM(Latent Diffusion Models)を用いた革新的な手法を提案する。
数値シミュレーションからBubbleMLデータセットを利用することで, LDM位相場データを対応する温度分布に変換する。
結果として得られるモデルは、界面における複雑な温度場を効果的に再構成する。
論文 参考訳(メタデータ) (2025-01-27T21:18:05Z) - vHeat: Building Vision Models upon Heat Conduction [63.00030330898876]
vHeatは、高い計算効率とグローバルな受容場の両方を同時に達成する、新しいビジョンバックボーンモデルである。
基本的な考え方は、画像パッチを熱源として概念化し、それらの相関の計算を熱エネルギーの拡散としてモデル化することである。
論文 参考訳(メタデータ) (2024-05-26T12:58:04Z) - Machine Learning-Assisted Thermoelectric Cooling for On-Demand Multi-Hotspot Thermal Management [12.515874333424929]
熱電冷却器 (TEC) は、高度電子システムにおける局所ホットスポットの直接冷却とアクティブな熱管理のための有望なソリューションを提供する。
TECは空間冷却、暖房、電力消費に大きなトレードオフをもたらす。
本研究では,大域的最適温度を達成できる熱電冷却器の機械学習支援最適化アルゴリズムを提案する。
論文 参考訳(メタデータ) (2024-04-20T18:35:45Z) - 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) - Training Deep Surrogate Models with Large Scale Online Learning [48.7576911714538]
ディープラーニングアルゴリズムは、PDEの高速解を得るための有効な代替手段として登場した。
モデルは通常、ソルバによって生成された合成データに基づいてトレーニングされ、ディスクに格納され、トレーニングのために読み返される。
ディープサロゲートモデルのためのオープンソースのオンライントレーニングフレームワークを提案する。
論文 参考訳(メタデータ) (2023-06-28T12:02:27Z) - Machine learning based surrogate models for microchannel heat sink
optimization [0.0]
本稿では,二次チャネルとリブを用いたマイクロチャネルの設計を計算流体力学を用いて検討する。
ラテンハイパーキューブサンプリング、機械学習に基づく代理モデリング、多目的最適化を組み合わせたワークフローを提案する。
論文 参考訳(メタデータ) (2022-08-20T13:49:11Z) - 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) - Physics-informed Convolutional Neural Networks for Temperature Field
Prediction of Heat Source Layout without Labeled Data [9.71214034180507]
本稿では,熱シミュレーションサロゲートのための物理インフォームド畳み込みニューラルネットワーク(CNN)を開発した。
ネットワークは、熱源配置から、ラベル付きデータなしで定常温度場へのマッピングを学習でき、これは部分差分方程式(PDE)の族全体の解法と等しい。
論文 参考訳(メタデータ) (2021-09-26T03:24:23Z) - 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) - Machine learning for rapid discovery of laminar flow channel wall
modifications that enhance heat transfer [56.34005280792013]
任意の, 平坦な, 非平坦なチャネルの正確な数値シミュレーションと, ドラッグ係数とスタントン数を予測する機械学習モデルを組み合わせる。
畳み込みニューラルネットワーク(CNN)は,数値シミュレーションのわずかな時間で,目標特性を正確に予測できることを示す。
論文 参考訳(メタデータ) (2021-01-19T16:14:02Z)
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。