論文の概要: Parametric Dynamic Mode Decomposition with multi-linear interpolation for prediction of thermal fields of Al2O3-water nanofluid flows at unseen parameters
- arxiv url: http://arxiv.org/abs/2503.18571v1
- Date: Mon, 24 Mar 2025 11:27:34 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-03-25 14:33:35.699105
- Title: Parametric Dynamic Mode Decomposition with multi-linear interpolation for prediction of thermal fields of Al2O3-water nanofluid flows at unseen parameters
- Title(参考訳): マルチ線形補間によるパラメトリック動的モード分解によるAl2O3-水ナノ流体の熱場予測
- Authors: Abhijith M S, Sandra S,
- Abstract要約: この研究では、Al$O$_3$-waterナノフローの熱場を予測するために、社内ベースのソルバを用いている。
1次元と2次元のパラメトリック空間で動作する2つのモデルの性能について検討した。
- 参考スコア(独自算出の注目度): 0.0
- License:
- Abstract: The study proposes a data-driven model which combines the Dynamic Mode Decomposition with multi-linear interpolation to predict the thermal fields of nanofluid flows at unseen Reynolds numbers (Re) and particle volume concentrations ($\epsilon$). The flow, considered for the study, is laminar and incompressible. The study employs an in-house Fortran-based solver to predict the thermal fields of Al$_2$O$_3$-water nanofluid flow through a two-dimensional rectangular channel, with the bottom wall subjected to a uniform heat flux. The performance of two models operating in one- and two-dimensional parametric spaces are investigated. Initially, a DMD with linear interpolation (DMD-LI) based solver is used for prediction of temperature of the nanofluid at any Re $>$ 100. The DMD-LI based model, predicts temperature fields with a maximum percentage difference of just 0.0273\%, in comparison with the CFD-based solver at Re =960, and $\epsilon$ = 1.0\%. The corresponding difference in the average Nusselt numbers is only 0.39\%. Following that a DMD with bi-linear interpolation (DMD-BLI) based solver is used for prediction of temperature of the nanofluid at any Re $>$ 100 and $\epsilon$ $>$ 0.5\%. The performance of two different ways of stacking the data are also examined. When compared to the CFD-based model, the DMD-BLI-based model predicts the temperature fields with a maximum percentage difference of 0.21 \%, at Re = 800 and $\epsilon$ = 1.35\%. And the corresponding percentage difference in the average Nusselt number prediction is only 6.08\%. All the results are reported in detail. Along side the important conclusions, the future scope of the study is also listed.
- Abstract(参考訳): 本研究では, 動的モード分解と多線形補間を組み合わせたデータ駆動モデルを提案し, 目に見えないレイノルズ数(Re)と粒子体積濃度(\epsilon$)におけるナノ流体流の熱場を予測する。
この研究のために考えられた流路は、層状で非圧縮性である。
本研究は,Al$O$_3$-水ナノ流体の流れを2次元の長方形流路に流し,底壁に均一な熱流束が生じることを予測するために,ホルトランをベースとした内部分解器を用いた。
1次元と2次元のパラメトリック空間で動作する2つのモデルの性能について検討した。
まず, 線形補間法(DMD-LI)に基づく解法を用いて, ナノ流体の温度を100ドル以上で予測する。
DMD-LIベースのモデルでは、Re = 960のCFDベースの解法と、$\epsilon$ = 1.0\%の最大パーセンテージ差が0.0273\%である温度場を予測する。
平均ヌッセルト数の対応する差は 0.39 % である。
その後、双線形補間法(DMD-BLI)をベースとしたDMDを用いて、ナノ流体の温度を100ドル、0.5%以上で予測する。
また、データを積み重ねる2つの異なる方法のパフォーマンスについても検討した。
CFDベースのモデルと比較すると、DMD-BLIベースのモデルは、Re = 800 と $\epsilon$ = 1.35\% で、最大パーセンテージ差 0.21 \% の温度場を予測する。
また、平均ヌッセルト数予測における対応するパーセンテージ差は、わずか6.08\%である。
すべての結果は詳細に報告されている。
重要な結論とともに、研究の今後の範囲もリストアップされている。
関連論文リスト
- Physics-informed reduced order model with conditional neural fields [4.5355909674008865]
本研究では、パラメータ化偏微分方程式(PDE)の解を近似するために、低次モデリング(CNF-ROM)フレームワークのための条件付きニューラルネットワークを提案する。
このアプローチは、潜伏状態からPDEソリューションを再構成するデコーダと、時間とともに潜伏ダイナミクスをモデル化するためのパラメトリックニューラルネットワークODEを組み合わせる。
論文 参考訳(メタデータ) (2024-12-06T18:04:33Z) - Evaluating probabilistic and data-driven inference models for fiber-coupled NV-diamond temperature sensors [0.7140163200313723]
連続波光磁気共鳴(ODMR)測定による温度推定における推定モデルが不確実性に与える影響について検討した。
このモデルでは、スピンハミルトンパラメータの温度依存性を利用して、ODMRデータのスペクトル特徴から温度を推定する。
論文 参考訳(メタデータ) (2024-09-14T17:23:20Z) - Score-based Diffusion Models in Function Space [137.70916238028306]
拡散モデルは、最近、生成モデリングの強力なフレームワークとして登場した。
この研究は、関数空間における拡散モデルをトレーニングするためのDDO(Denoising Diffusion Operators)と呼ばれる数学的に厳密なフレームワークを導入する。
データ解像度に依存しない固定コストで、対応する離散化アルゴリズムが正確なサンプルを生成することを示す。
論文 参考訳(メタデータ) (2023-02-14T23:50:53Z) - Monte Carlo Neural PDE Solver for Learning PDEs via Probabilistic Representation [59.45669299295436]
教師なしニューラルソルバのトレーニングのためのモンテカルロPDEソルバを提案する。
我々は、マクロ現象をランダム粒子のアンサンブルとみなすPDEの確率的表現を用いる。
対流拡散, アレン・カーン, ナヴィエ・ストークス方程式に関する実験により, 精度と効率が著しく向上した。
論文 参考訳(メタデータ) (2023-02-10T08:05:19Z) - Gibbs-Helmholtz Graph Neural Network: capturing the temperature
dependency of activity coefficients at infinite dilution [1.290382979353427]
我々は,Gibs-Helmholtz Graph Neural Network (GH-GNN) モデルを構築し,温度の異なる分子系の$ln gamma_ijinfty$を予測する。
本稿では,GH-GNNの性能を連続的かつ離散的に解析し,モデルの適用性領域と予測精度を示す。
論文 参考訳(メタデータ) (2022-12-02T14:25:58Z) - Neural Basis Functions for Accelerating Solutions to High Mach Euler
Equations [63.8376359764052]
ニューラルネットワークを用いた偏微分方程式(PDE)の解法を提案する。
ニューラルネットワークの集合を縮小順序 Proper Orthogonal Decomposition (POD) に回帰する。
これらのネットワークは、所定のPDEのパラメータを取り込み、PDEに還元順序近似を計算する分岐ネットワークと組み合わせて使用される。
論文 参考訳(メタデータ) (2022-08-02T18:27:13Z) - Computational Fluid Dynamics and Machine Learning as tools for
Optimization of Micromixers geometry [0.0]
本研究は,CFD(Computational Fluid Dynamics)と機械学習技術を組み合わせて,マイクロ流体の分野における新しい最適化手法を提案する。
初期形状はY型マイクロミキサーにインスパイアされ、主チャネルの表面に円筒状の溝があり、内部の障害物がある。
閉塞径(OD)とオフセット(OF)が混合(varphi$)、圧力降下(Delta P$)、エネルギーコスト(Delta P/varphi$)に与える影響について検討した。
論文 参考訳(メタデータ) (2022-03-04T18:53:13Z) - Mixed Effects Neural ODE: A Variational Approximation for Analyzing the
Dynamics of Panel Data [50.23363975709122]
パネルデータ解析に(固定・ランダムな)混合効果を取り入れたME-NODEという確率モデルを提案する。
我々は、Wong-Zakai定理によって提供されるSDEの滑らかな近似を用いて、我々のモデルを導出できることを示す。
次に、ME-NODEのためのエビデンスに基づく下界を導出し、(効率的な)トレーニングアルゴリズムを開発する。
論文 参考訳(メタデータ) (2022-02-18T22:41:51Z) - Inverting brain grey matter models with likelihood-free inference: a
tool for trustable cytoarchitecture measurements [62.997667081978825]
脳の灰白質細胞構造の特徴は、体密度と体積に定量的に敏感であり、dMRIでは未解決の課題である。
我々は新しいフォワードモデル、特に新しい方程式系を提案し、比較的スパースなb殻を必要とする。
次に,提案手法を逆転させるため,確率自由推論 (LFI) として知られるベイズ解析から最新のツールを適用した。
論文 参考訳(メタデータ) (2021-11-15T09:08:27Z) - Deep learning for surrogate modelling of 2D mantle convection [1.7499351967216341]
深層学習技術は偏微分方程式のパラメータ化サロゲートを安定に生成できることを示す。
まず、畳み込みオートエンコーダを用いて温度場を142倍圧縮する。
次に、FNNおよび長寿命メモリネットワーク(LSTM)を用いて、圧縮されたフィールドを予測する。
論文 参考訳(メタデータ) (2021-08-23T12:13:04Z) - Physics-Informed Machine Learning Method for Large-Scale Data
Assimilation Problems [48.7576911714538]
我々は,未知のフラックス (Neumann) と様々なヘッド (Dirichlet) 境界条件を持つ地下流れをモデル化するための物理インフォームド条件付きKarhunen-Lo'eve展開法(PICKLE)を拡張した。
PICKLE法はMAP法と精度が比較できるが,大規模問題ではMAP法よりもはるかに高速であることを示す。
論文 参考訳(メタデータ) (2021-07-30T18:43:14Z)
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。