論文の概要: C(NN)FD -- Deep Learning Modelling of Multi-Stage Axial Compressors Aerodynamics
- arxiv url: http://arxiv.org/abs/2503.14369v1
- Date: Tue, 18 Mar 2025 15:58:58 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-03-19 14:14:14.820715
- Title: C(NN)FD -- Deep Learning Modelling of Multi-Stage Axial Compressors Aerodynamics
- Title（参考訳）: C(NN)FD -- 多段軸圧縮機の深部学習モデル
- 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の予測のための一般化された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、大規模領域のフロー場予測の可能性を解き、非構造化領域から構造化領域への回帰問題を再定式化する。
提案フレームワークは,0D/1D/2D/3Dレベルで対応する空力ドライバを識別できるため,物理的に説明可能な性能予測の利点を有する。
- 参考スコア（独自算出の注目度）: 0.0
- License:
- Abstract: The field of scientific machine learning and its applications to numerical analyses such as CFD has recently experienced a surge in interest. While its viability has been demonstrated in different domains, it has not yet reached a level of robustness and scalability to make it practical for industrial applications in the turbomachinery field. The highly complex, turbulent, and three-dimensional flows of multi-stage axial compressors for gas turbine applications represent a remarkably challenging case. This is due to the high-dimensionality of the regression of the flow-field from geometrical and operational variables, and the high computational cost associated with the large scale of the CFD domains. This paper demonstrates the development and application of a generalized deep learning framework for predictions of the flow field and aerodynamic performance of multi-stage axial compressors, also potentially applicable to any type of turbomachinery. A physics-based dimensionality reduction unlocks the potential for flow-field predictions for large-scale domains, re-formulating the regression problem from an unstructured to a structured one. The relevant physical equations are used to define a multi-dimensional physical loss function. Compared to "black-box" approaches, the proposed framework has the advantage of physically explainable predictions of overall performance, as the corresponding aerodynamic drivers can be identified on a 0D/1D/2D/3D level. An iterative architecture is employed, improving the accuracy of the predictions, as well as estimating the associated uncertainty. The model is trained on a series of dataset including manufacturing and build variations, different geometries, compressor designs and operating conditions. This demonstrates the capability to predict the flow-field and the overall performance in a generalizable manner, with accuracy comparable to the benchmark.
- Abstract（参考訳）: 科学機械学習の分野とそのCFDなどの数値解析への応用は、最近、関心の高まりを経験している。
その生存性は異なる領域で実証されているが、ターボ機械分野の産業用途に実用化するためには、まだ堅牢性とスケーラビリティのレベルに達していない。
ガスタービン用多段軸圧縮機の高度に複雑で乱流で三次元的な流れは、非常に困難なケースである。
これは、幾何学的および操作的変数からのフロー場の回帰の高次元性と、CFD領域の大規模化に伴う計算コストが原因である。
本稿では,多段軸圧縮機の流れ場および空力特性の予測のための一般化された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、大規模領域のフロー場予測の可能性を解き、非構造化領域から構造化領域への回帰問題を再定式化する。
関連する物理方程式は多次元物理損失関数を定義するために用いられる。
ブラックボックスアプローチと比較して,提案フレームワークは,0D/1D/2D/3Dレベルで対応する空力ドライバを識別できるため,物理的に説明可能な性能予測の利点を有する。
反復的アーキテクチャを採用し、予測の精度を改善し、関連する不確実性を推定する。
このモデルは、製造とビルドのバリエーション、異なるジオメトリー、圧縮機の設計、運用条件を含む一連のデータセットに基づいて訓練されている。
これは、ベンチマークに匹敵する精度で、フローフィールドと全体的なパフォーマンスを一般化可能な方法で予測する能力を示す。
関連論文リスト
- Factorized Implicit Global Convolution for Automotive Computational Fluid Dynamics Prediction [52.32698071488864]
非常に大きな3DメッシュのCFD問題を効率的に解く新しいアーキテクチャであるFactized Implicit Global Convolution (FIGConv)を提案する。
FIGConvは、既存の3DニューラルCFDモデルよりも大幅に改善された2次複雑性の$O(N2)$を達成する。
業界標準のAhmedボディデータセットと大規模DrivAerNetデータセットに対するアプローチを検証する。
論文 参考訳（メタデータ） (2025-02-06T18:57:57Z) - Physically Interpretable Representation and Controlled Generation for Turbulence Data [39.42376941186934]
本稿では,高次元科学的データを低次元,物理的に意味のある表現に符号化するデータ駆動型手法を提案する。
レイノルズ数の範囲を越えるシリンダーを過ぎる流れの2次元ナビエ・ストークスシミュレーションを用いて,本手法の有効性を検証した。
論文 参考訳（メタデータ） (2025-01-31T17:51:14Z) - Discovering Interpretable Physical Models using Symbolic Regression and
Discrete Exterior Calculus [55.2480439325792]
本稿では,記号回帰(SR)と離散指数計算(DEC)を組み合わせて物理モデルの自動発見を行うフレームワークを提案する。
DECは、SRの物理問題への最先端の応用を越えている、場の理論の離散的な類似に対して、ビルディングブロックを提供する。
実験データから連続体物理の3つのモデルを再発見し,本手法の有効性を実証する。
論文 参考訳（メタデータ） (2023-10-10T13:23:05Z) - 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) - Knowledge-embedded meta-learning model for lift coefficient prediction
of airfoils [25.546237636065182]
攻撃角度の異なる任意の超臨界翼の昇降係数を求めるために,知識埋め込みメタ学習モデルを開発した。
通常のニューラルネットワークと比較して,提案モデルでは,競合予測精度でより優れた一般化能力を示すことができる。
その結果, 提案モデルでは, 翼形状が物理的特性に与える影響を評価する傾向が示唆された。
論文 参考訳（メタデータ） (2023-03-06T02:47:31Z) - 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) - Equivariant vector field network for many-body system modeling [65.22203086172019]
Equivariant Vector Field Network (EVFN) は、新しい同変層と関連するスカラー化およびベクトル化層に基づいて構築されている。
シミュレーションされたニュートン力学系の軌跡を全観測データと部分観測データで予測する手法について検討した。
論文 参考訳（メタデータ） (2021-10-26T14:26:25Z) - 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)
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。