論文の概要: Data-Driven Optical To Thermal Inference in Pool Boiling Using Generative Adversarial Networks

• arxiv url: http://arxiv.org/abs/2505.00823v1
• Date: Thu, 01 May 2025 19:26:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-05 17:21:19.813794
• Title: Data-Driven Optical To Thermal Inference in Pool Boiling Using Generative Adversarial Networks
• Title（参考訳）: 生成逆ネットワークを用いたプール沸騰中のデータ駆動型光対熱推定
• Authors: Qianxi Fu, Youngjoon Suh, Xiaojing Zhang, Yoonjin Won,
• Abstract要約: 本稿では,標準プール沸騰構成における幾何位相から温度場を推定するデータ駆動フレームワークを提案する。 本研究は,観測可能な多相現象と熱輸送のギャップを埋めるための深部生成モデルの可能性を明らかにするものである。
• 参考スコア（独自算出の注目度）: 1.0499611180329804
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Phase change plays a critical role in thermal management systems, yet quantitative characterization of multiphase heat transfer remains limited by the challenges of measuring temperature fields in chaotic, rapidly evolving flow regimes. While computational methods offer spatiotemporal resolution in idealized cases, replicating complex experimental conditions remains prohibitively difficult. Here, we present a data-driven framework that leverages a conditional generative adversarial network (CGAN) to infer temperature fields from geometric phase contours in a canonical pool boiling configuration where advanced data collection techniques are restricted. Using high-speed imaging data and simulation-informed training, our model demonstrates the ability to reconstruct temperature fields with errors below 6%. We further show that standard data augmentation strategies are effective in enhancing both accuracy and physical plausibility of the predicted maps across both simulation and experimental datasets when precise physical constraints are not applicable. Our results highlight the potential of deep generative models to bridge the gap between observable multiphase phenomena and underlying thermal transport, offering a powerful approach to augment and interpret experimental measurements in complex two-phase systems.
• Abstract（参考訳）: 相変化は熱管理システムにおいて重要な役割を担っているが, 多相熱伝達の定量的評価は, カオス的, 急速に進化する流動状態における温度場測定の課題によって制限されている。 計算手法は理想的な場合において時空間分解能を提供するが、複雑な実験条件の複製は違法に困難である。 本稿では,先進的なデータ収集技術が制限された正準プール沸騰構成における幾何位相輪郭から温度場を推定するために,条件付き生成対向ネットワーク(CGAN)を利用するデータ駆動フレームワークを提案する。 高速画像データとシミュレーションインフォームドトレーニングを用いて,6%未満の誤差で温度場を再構築する能力を示した。 さらに, 正確な物理的制約が適用できない場合, シミュレーションと実験データセットの両方において, 予測地図の精度と物理的妥当性の両立を図る上で, 標準データ拡張戦略が有効であることを示す。 以上の結果から,観測可能な多相現象と熱輸送のギャップを埋める深部生成モデルの可能性を強調した。

関連論文リスト

• 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)
• Bayesian inference of composition-dependent phase diagrams [47.79947989845143]
  本研究では,分子動力学(MD),融点シミュレーション,フォノン計算からの熱力学データを合成し,これらのデータを処理し,温度集中相図を生成する手法を開発した。 開発したアルゴリズムは,Ge-SiとK-Naの2つの二元系において,全濃度および温度で試験に成功した。
  論文  参考訳（メタデータ） (2023-09-03T20:57:10Z)
• Photoinduced prethermal order parameter dynamics in the two-dimensional large-$N$ Hubbard-Heisenberg model [77.34726150561087]
  2次元相関電子モデルにおいて、競合する秩序相の微視的ダイナミクスについて検討する。 2つの競合する位相間の光誘起遷移をシミュレートする。
  論文  参考訳（メタデータ） (2022-05-13T13:13:31Z)
• Accessing the topological Mott insulator in cold atom quantum simulators with realistic Rydberg dressing [58.720142291102135]
  本稿では, コールド・ライドバーグ型原子を用いた光学格子の量子シミュレーションの現実的シナリオについて検討する。 本研究では, 平均場近似において, 半次および非共役充填時の位相図の詳細な解析を行う。 さらに、平均場近似における温度に対する相の安定性について検討する。
  論文  参考訳（メタデータ） (2022-03-28T14:55:28Z)
• Accurate simulation and thermal tuning by temperature-adaptive boundary interactions on quantum many-body systems [2.13230439190003]
  本研究では, 1次元(1次元)多体系の熱力学を模倣し, 調整する温度適応型エンタングルメントシミュレータ(TAES)を提案する。 1Dスピンチェーンのベンチマークでは、TAESは既存の有限温度アプローチと比較して最先端の精度を上回っている。
  論文  参考訳（メタデータ） (2021-04-30T15:21:06Z)
• 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)
• Unsupervised machine learning of topological phase transitions from experimental data [52.77024349608834]
  超低温原子からの実験データに教師なし機械学習技術を適用する。 我々は、完全にバイアスのない方法で、ハルダンモデルの位相位相図を得る。 我々の研究は、複雑な多体系における新しいエキゾチック位相の教師なし検出のためのベンチマークを提供する。
  論文  参考訳（メタデータ） (2021-01-14T16:38:21Z)
• Adiabatic Sensing Technique for Optimal Temperature Estimation using Trapped Ions [64.31011847952006]
  捕捉イオンを用いた最適なフォノン温度推定のための断熱法を提案する。 フォノンの熱分布に関する関連する情報は、スピンの集合的な自由度に伝達することができる。 それぞれの熱状態確率は、各スピン励起構成に近似的にマッピングされることを示す。
  論文  参考訳（メタデータ） (2020-12-16T12:58:08Z)
• Uncertainty estimation for molecular dynamics and sampling [0.0]
  機械学習モデルは、時間を要する電子構造計算をサイドステップする非常に効果的な戦略として登場した。 モデルのトレーニング中に含まれる有限個の参照構造から導かれる誤差を推定することは非常に重要である。 本報告では, 水や液体ガリウムほど多様な構造特性と熱力学特性, システムについて述べる。
  論文  参考訳（メタデータ） (2020-11-10T00:07:50Z)
• Using Deep Learning to Explore Local Physical Similarity for Global-scale Bridging in Thermal-hydraulic Simulation [4.350727579753697]
  現在の熱水和コードでは、実際の植物条件をシミュレートする際の信頼性が制限されている。 本稿では,これらの課題を克服するためのデータ駆動型特徴類似度測定FFSMを提案する。 深層学習は局所的な物理的特徴とシミュレーションエラーの関係の構築と探索に応用される。
  論文  参考訳（メタデータ） (2020-01-06T20:14:46Z)

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。