在本研究中，飞行射击数，飞行高度，燃料类型和进气温的影响对推力燃油消耗，推力，进气质量流量，热和推进效率的影响，以及发驱动效率和效率研究了F135 PW100发动机中的充电破坏率。根据第一阶段获得的结果，为了对上述发动机周期的热力学性能进行建模，飞行仪数和飞行高度分别被认为分别为2.5和30,000 m。由于在高空飞行条件下超音速飞行的运行优势以及氢气的较高推力。因此，在第二阶段，考虑到上述飞行条件，已经获得了智能模型，以预测使用深度学习方法的输出参数（即推力，推力特定的燃料消耗和整体燃油效率）。在达到的深神经模型中，高压涡轮机，风扇压力比，涡轮机入口温度，进气温度和旁路比的压力比被视为输入参数。提供的数据集随机分为两组：第一组包含6079个用于模型训练的样本，第二组包含1520个用于测试的样本。特别是，ADAM优化算法，均方根误差的成本函数以及整流线性单元的活动函数用于训练网络。结果表明，深神经模型的误差百分比等于5.02％，1.43％和2.92％，以预测推力，推力特定的燃油消耗和整体自我效率，这表明已达到的模型在估计估算中的成功成功本问题的输出参数。

在这项综合研究中，通过基于能量环境分析添加入口空气冷却和再生冷却来评估涡轮轴发动机。首先，飞行器数量，飞行高度，主要周期中压缩机1的压缩比，主周期中涡轮-1的涡轮入口温度，涡轮-2的温度分数，辅助的压缩比循环和入口空气冷却系统中的进气温变化，这些功能性能参数的某些功能性能参数，配备了带有入口空气冷却系统的再生涡轮轴发动机周期，例如功率特异性的燃油消耗，功率输出，热效率和硝酸盐氧化物的质量流量（质量流量） NOX）通过使用氢作为燃料工作，研究了NO和NO2。因此，基于分析，开发了一个模型来预测带有冷却空气冷却系统基于深神经网络（DNN）的再生涡轮轴发动机周期的能量环境性能层。该模型提出的旨在预测含有NO和NO2的氮化物氧化物（NOX）的质量流量和质量流量。结果证明了综合DNN模型的准确性，具有适当的MSE，MAE和RMSD成本函数，用于验证测试和培训数据。同样，对于热效率和NOX发射质量流量，对于热效率的验证和NOX发射质量流量质量预测值及其测试数据，R和R^2都非常接近1。

本文介绍了新的六角形和五角形PEM燃料电池模型。在实现了改善的细胞性能后，这些模型已得到了优化。多目标优化算法的输入参数是入口处的压力和温度，消耗和输出功率是客观参数。数值模拟的输出数据已使用深神经网络训练，然后以多项式回归进行建模。已使用RSM（响应表面方法）提取目标函数，并使用多目标遗传算法（NSGA-II）优化了目标。与基本模型相比，优化的五角大楼和六边形模型分别将输出电流密度增加21.8％和39.9％。

调试后已显示建筑物的性能会大大降解，从而增加能源消耗和相关的温室气体排放。使用现有的传感器网络和IoT设备进行连续调试有可能通过不断识别系统退化并重新调整控制策略以适应真正的建筑绩效来最大程度地减少这种废物。由于其对温室气体排放的重大贡献，为建筑加热的气体锅炉系统的性能至关重要。锅炉性能研究的综述已用于开发一组常见的断层和降解的性能条件，这些断层已集成到MATLAB/SIMULINK模拟器中。这导致了一个标记的数据集，并为14个非谐波锅炉中的每一个都进行了大约10,000个稳态性能的模拟。收集的数据用于使用K-Nearest邻居，决策树，随机森林和支持向量机训练和测试故障分类。结果表明，支持向量机方法给出了最佳的预测准确性，始终超过90％，并且由于较低的分类精度，无法对多个锅炉进行概括。

海浪可再生能源快速成为近几十年来可再生能源行业的关键部分。通过在该过程中开发波能转换器作为主转换器技术，研究了它们的电力起飞（PTO）系统。调整PTO参数是一个具有挑战性的优化问题，因为这些参数与吸收功率输出之间存在复杂和非线性关系。在这方面，本研究旨在优化在澳大利亚海岸的珀斯的波路场景中的点吸收波能量转换器的PTO系统参数。转换器在数量上设计成振荡，以防止不规则，并且执行PTO设置的多维波和灵敏度分析。然后，要找到导致最高功率输出的最佳PTO系统参数，并入了十种优化算法，以解决非线性问题，包括Nelder-Mead搜索方法，主动集方法，顺序二次编程方法（SQP），多节透视优化器（MVO）和六种改进的遗传，代理和Fminsearch算法组合。在可行性景观分析之后，执行优化结果并在PTO系统设置方面提供最佳答案。最后，调查表明，遗传，替代和FMINSEARCH算法的修改组合可以优于所研究的波场景中的其他组合，以及PTO系统变量之间的相互作用。

我们提出了一个混合工业冷却系统模型，该模型将分析解决方案嵌入多物理模拟中。该模型设计用于增强学习（RL）应用程序，并平衡简单性与模拟保真度和解释性。该模型的忠诚度根据大规模冷却系统的现实世界数据进行了评估。接下来是一个案例研究，说明如何将模型用于RL研究。为此，我们开发了一个工业任务套件，该套件允许指定不同的问题设置和复杂性水平，并使用它来评估不同RL算法的性能。

在热分析和低温热交换器的几何设计过程中，强迫沸腾现象的准确降低估计很重要。但是，当前预测压降的方法存在两个问题之一：缺乏对不同情况的准确性或概括。在这项工作中，我们介绍了相关的信息神经网络（COINN），这是应用人工神经网络（ANN）技术的新范式，结合了成功的压降相关性，作为预测微质混合压力下降的绘制工具 - 通道。所提出的方法是受转移学习的启发，该方法在减少数据集的深度学习问题中高度使用。我们的方法通过将Sun＆Mishima相关性的知识传递给ANN来提高ANN的性能。具有物理和现象学对微通道压力下降的相关性大大提高了ANN的性能和概括能力。最终结构由三个输入组成：混合蒸气质量，微通道内径和可用的压降相关性。结果表明，使用相关的信息方法获得的好处预测用于训练的实验数据和后验测试，平均相对误差（MRE）为6％，低于Sun＆Mishima相关性13％。此外，这种方法可以扩展到其他混合物和实验设置，这是使用ANN用于传热应用的其他方法中的缺少特征。

物理知识的神经网络（PINNS）由于能力将物理定律纳入模型，在工程的各个领域都引起了很多关注。但是，对机械和热场之间涉及耦合的工业应用中PINN的评估仍然是一个活跃的研究主题。在这项工作中，我们提出了PINNS在非牛顿流体热机械问题上的应用，该问题通常在橡胶日历过程中考虑。我们证明了PINN在处理逆问题和不良问题时的有效性，这些问题是不切实际的，可以通过经典的数值离散方法解决。我们研究了传感器放置的影响以及无监督点对PINNS性能的分布，即从某些部分数据中推断出隐藏的物理领域的问题。我们还研究了PINN从传感器捕获的测量值中识别未知物理参数的能力。在整个工作中，还考虑了嘈杂测量的效果。本文的结果表明，在识别问题中，PINN可以仅使用传感器上的测量结果成功估算未知参数。在未完全定义边界条件的不足问题中，即使传感器的放置和无监督点的分布对PINNS性能产生了很大的影响，我们表明该算法能够从局部测量中推断出隐藏的物理。

Data Centers are huge power consumers, both because of the energy required for computation and the cooling needed to keep servers below thermal redlining. The most common technique to minimize cooling costs is increasing data room temperature. However, to avoid reliability issues, and to enhance energy efficiency, there is a need to predict the temperature attained by servers under variable cooling setups. Due to the complex thermal dynamics of data rooms, accurate runtime data center temperature prediction has remained as an important challenge. By using Gramatical Evolution techniques, this paper presents a methodology for the generation of temperature models for data centers and the runtime prediction of CPU and inlet temperature under variable cooling setups. As opposed to time costly Computational Fluid Dynamics techniques, our models do not need specific knowledge about the problem, can be used in arbitrary data centers, re-trained if conditions change and have negligible overhead during runtime prediction. Our models have been trained and tested by using traces from real Data Center scenarios. Our results show how we can fully predict the temperature of the servers in a data rooms, with prediction errors below 2 C and 0.5 C in CPU and server inlet temperature respectively.

在过去的十年中，基于粉末的添加剂制造业改变了制造业。在激光粉床的融合中，特定部分以迭代方式建造，其中通过融化并融合粉末床的合适区域，在彼此之间形成二维横截面。在此过程中，熔体池及其热场的行为在预测制成部分的质量及其可能的缺陷方面具有非常重要的作用。但是，这种复杂现象的模拟通常非常耗时，需要大量的计算资源。 Flow-3D是能够使用迭代数值求解器执行此类仿真的软件包之一。在这项工作中，我们使用Flow-3D创建了三个单程过程的数据集，并使用它们来训练卷积神经网络，能够仅通过将三个参数作为输入来预测熔体池的三维热场的行为：激光功率，激光速度和时间步长。 CNN在预测熔体池面积的情况下，温度场的相对根平方误差为2％至3％，平均相交的联合分数为80％至90％。此外，由于将时间作为模型的输入之一包括在内，因此可以在任何任意时间步中立即获得热场，而无需迭代并计算所有步骤

在本文中，使用计算流体动力学研究了具有次级通道和肋骨的微通道设计，并与多目标优化算法耦合，以确定并提出基于观察到的热阻力和泵送功率的最佳溶液。提出了一种结合拉丁超立方体采样，基于机器学习的替代建模和多目标优化的工作流程。在寻找最佳替代物期间，考虑了随机森林，梯度增强算法和神经网络。我们证明了调整的神经网络可以做出准确的预测，并用于创建可接受的替代模型。与常规优化方法相比，优化解决方案在总体性能上显示出可忽略的差异。此外，解决方案是在原始时间的五分之一中计算的。在与对流微通道设计相同的压力极限下，生成的设计达到的温度低于10％以上。当受到温度的限制时，压降降低了25％以上。最后，通过采用Shapley添加说明技术研究了每个设计变量对热电阻和泵送功率的影响。总体而言，我们已经证明了所提出的框架具有优点，可以用作微通道散热器设计优化的可行方法。

血流特征的预测对于了解血液动脉网络的行为至关重要，特别是在血管疾病（如狭窄）的存在下。计算流体动力学（CFD）提供了一种强大而有效的工具，可以确定包括网络内的压力和速度字段的这些特征。尽管该领域有许多研究，但CFD的极高计算成本导致研究人员开发新的平台，包括机器学习方法，而是以更低的成本提供更快的分析。在这项研究中，我们提出了一个深度神经网络框架，以预测冠状动脉网络中的流动行为，在存在像狭窄等异常存在下具有不同的性质。为此，使用合成数据训练人工神经网络（ANN）模型，使得它可以预测动脉网络内的压力和速度。培训神经网络所需的数据是从ABAQUS软件的特定特征的次数的CFD分析中获得了培训神经网络的数据。狭窄引起的血压下降，这是诊断心脏病诊断中最重要的因素之一，可以使用我们所提出的模型来了解冠状动脉的任何部分的几何和流动边界条件。使用Lad血管的三个实际几何形状来验证模型的效率。所提出的方法精确地预测了血流量的血流动力学行为。压力预测的平均精度为98.7％，平均速度幅度精度为93.2％。根据测试三个患者特定几何形状的模型的结果，模型可以被认为是有限元方法的替代方案以及其他难以实现的耗时数值模拟。

近年来，由于深度学习解决复杂的“物理”问题，近年来，基于计算的热管理方法的兴起已经取得了巨大的关注，否则难以使用常规技术难以接近。电子系统需要热管理，以防止它们过热和燃烧，提高其效率和寿命。长期以来，已经采用了数值技术来帮助热管理电子产品。但是，他们带来了一些限制。为了提高传统数值方法的有效性和解决传统方法所面临的缺点，研究人员在热管理过程的各个阶段使用人工智能。本研究详细讨论了“电子”热管理领域深度学习的当前用途。

使用模型热引擎，我们表明基于神经网络的增强学习可以识别最大效率的热力学轨迹。我们考虑梯度和渐变的加强学习。我们使用进化学习算法来发展神经网络的群体，受指令以最大化由一组基本热力学过程组成的轨迹的效率;由此产生的网络学习进行最大高效的克罗特，斯特林或奥托周期。当给出额外的不可逆转过程时，这种进化方案学习先前未知的热力学循环。基于梯度的强化学习能够学习斯特林循环，而进化方法能够实现最佳的圆形循环。我们的结果展示了如何应用为游戏播放开发的增强学习策略来解决在路径广泛的订单参数上调节身体问题。

传统上，基于标度律维模型已被用于参数对流换热岩类地行星像地球，火星，水星和金星的内部，以解决二维或三维高保真前插的计算瓶颈。然而，这些在物理它们可以建模（例如深度取决于材料特性），并预测只平均量的量的限制，例如平均温度地幔。我们最近发现，前馈神经网络（FNN），使用了大量的二维模拟可以克服这个限制和可靠地预测整个1D横向平均温度分布的演变，及时为复杂的模型训练。我们现在扩展该方法以预测的完整2D温度字段，它包含在对流结构如热羽状和冷downwellings的形式的信息。使用的地幔热演化的10,525二维模拟数据集火星般的星球，我们表明，深度学习技术能够产生可靠的参数代理人（即代理人即预测仅基于参数状态变量，如温度）底层偏微分方程。我们首先使用卷积自动编码由142倍以压缩温度场，然后使用FNN和长短期存储器网络（LSTM）来预测所述压缩字段。平均起来，FNN预测是99.30％，并且LSTM预测是准确相对于看不见模拟99.22％。在LSTM和FNN预测显示，尽管较低的绝对平均相对精度，LSTMs捕捉血流动力学优于FNNS适当的正交分解（POD）。当求和，从FNN预测和从LSTM预测量至96.51％，相对97.66％到原始模拟的系数，分别与POD系数。

物理信息神经网络（PINN）能够找到给定边界值问题的解决方案。我们使用有限元方法（FEM）的几个想法来增强工程问题中现有的PINN的性能。当前工作的主要贡献是促进使用主要变量的空间梯度作为分离神经网络的输出。后来，具有较高衍生物的强形式应用于主要变量的空间梯度作为物理约束。此外，该问题的所谓能量形式被应用于主要变量，作为训练的附加约束。所提出的方法仅需要一阶导数来构建物理损失函数。我们讨论了为什么通过不同模型之间的各种比较，这一点是有益的。基于配方混合的PINN和FE方法具有一些相似之处。前者利用神经网络的复杂非线性插值将PDE及其能量形式最小化及其能量形式，而后者则在元素节点借助Shape函数在元素节点上使用相同。我们专注于异质固体，以显示深学习在不同边界条件下在复杂环境中预测解决方案的能力。针对FEM的解决方案对两个原型问题的解决方案进行了检查：弹性和泊松方程（稳态扩散问题）。我们得出的结论是，通过正确设计PINN中的网络体系结构，深度学习模型有可能在没有其他来源的任何可用初始数据中解决异质域中的未知数。最后，关于Pinn和FEM的组合进行了讨论，以在未来的开发中快速准确地设计复合材料。

物理信息的神经网络（PINN）是神经网络（NNS），它们作为神经网络本身的组成部分编码模型方程，例如部分微分方程（PDE）。如今，PINN是用于求解PDE，分数方程，积分分化方程和随机PDE的。这种新颖的方法已成为一个多任务学习框架，在该框架中，NN必须在减少PDE残差的同时拟合观察到的数据。本文对PINNS的文献进行了全面的综述：虽然该研究的主要目标是表征这些网络及其相关的优势和缺点。该综述还试图将出版物纳入更广泛的基于搭配的物理知识的神经网络，这些神经网络构成了香草·皮恩（Vanilla Pinn）以及许多其他变体，例如物理受限的神经网络（PCNN），各种HP-VPINN，变量HP-VPINN，VPINN，VPINN，变体。和保守的Pinn（CPINN）。该研究表明，大多数研究都集中在通过不同的激活功能，梯度优化技术，神经网络结构和损耗功能结构来定制PINN。尽管使用PINN的应用范围广泛，但通过证明其在某些情况下比有限元方法（FEM）等经典数值技术更可行的能力，但仍有可能的进步，最著名的是尚未解决的理论问题。

在飞机系统绩效评估的背景下，深度学习技术可以快速从实验测量中推断模型，其详细的系统知识比基于物理的建模通常所需的详细知识。但是，这种廉价的模型开发也带来了有关模型可信度的新挑战。这项工作提出了一种新颖的方法，即物理学引导的对抗机学习（ML），从而提高了对模型物理一致性的信心。首先，该方法执行了物理引导的对抗测试阶段，以搜索测试输入，以显示行为系统不一致，同时仍落在可预见的操作条件范围内。然后，它进行了物理知识的对抗训练，以通过迭代降低先前未经证实的反描述的不需要的输出偏差来教授与系统相关的物理领域的模型。对两个飞机系统绩效模型的经验评估显示了我们对抗性ML方法在暴露两种模型的身体不一致方面的有效性，并提高其与物理领域知识一致的倾向。

This work presents a set of neural network (NN) models specifically designed for accurate and efficient fluid dynamics forecasting. In this work, we show how neural networks training can be improved by reducing data complexity through a modal decomposition technique called higher order dynamic mode decomposition (HODMD), which identifies the main structures inside flow dynamics and reconstructs the original flow using only these main structures. This reconstruction has the same number of samples and spatial dimension as the original flow, but with a less complex dynamics and preserving its main features. We also show the low computational cost required by the proposed NN models, both in their training and inference phases. The core idea of this work is to test the limits of applicability of deep learning models to data forecasting in complex fluid dynamics problems. Generalization capabilities of the models are demonstrated by using the same neural network architectures to forecast the future dynamics of four different multi-phase flows. Data sets used to train and test these deep learning models come from Direct Numerical Simulations (DNS) of these flows.

Multi-uncertainties from power sources and loads have brought significant challenges to the stable demand supply of various resources at islands. To address these challenges, a comprehensive scheduling framework is proposed by introducing a model-free deep reinforcement learning (DRL) approach based on modeling an island integrated energy system (IES). In response to the shortage of freshwater on islands, in addition to the introduction of seawater desalination systems, a transmission structure of "hydrothermal simultaneous transmission" (HST) is proposed. The essence of the IES scheduling problem is the optimal combination of each unit's output, which is a typical timing control problem and conforms to the Markov decision-making solution framework of deep reinforcement learning. Deep reinforcement learning adapts to various changes and timely adjusts strategies through the interaction of agents and the environment, avoiding complicated modeling and prediction of multi-uncertainties. The simulation results show that the proposed scheduling framework properly handles multi-uncertainties from power sources and loads, achieves a stable demand supply for various resources, and has better performance than other real-time scheduling methods, especially in terms of computational efficiency. In addition, the HST model constitutes an active exploration to improve the utilization efficiency of island freshwater.