自20世纪90年代以来，纳米流体的热传递特性已被广泛研究。研究调查表明，悬浮的纳米颗粒显着改变悬浮液的热性能。纳米流体的导热率是通常发现大于基础流体的性能之一。发现导热性的这种增加取决于几个参数。已经提出了几种理论来模拟纳米流体的热导体，但尚未对纳米流体的异常导热率模拟具有可靠的普遍理论。近年来，已成功地将监督数据驱动的方法成功用于在各种科学学科中创建代理模型，特别是对难以理解的现象进行建模。这些监督的学习方法允许模型捕获高度线性现象。在这项工作中，我们利用了现有的相关性，并同时使用了可用的实验结果，以开发更强大的替代模型，以预测纳米流体的导热率。使用转移学习方法训练人工神经网络，以预测具有32种不同颗粒流体组合的球形颗粒的纳米流体的导热性增强（8个颗粒材料和4个流体）。从相关性产生的大量较低的精度数据用于大调模型参数，并且使用有限量的更可靠的实验数据用于微调模型参数。将转移学习的模型的结果与来自基线模型的结果进行比较，这些模型仅在使用拟合度量的良好训练的实验数据上培训。结果发现，转移学习模型更好地表现出0.93的良好值，而不是从基线模型0.83。
translated by 谷歌翻译
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。
translated by 谷歌翻译
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。
translated by 谷歌翻译
在本文中，我们开发了多元回归模型和神经网络模型，以预测湍流热对流中的雷诺数（RE）和泡沫编号。我们将他们的预测与早期模型的对流模型进行比较：Grossmann-Lohse〜[物理。rev. lett。\ textbf {86}，3316（2001）]，修订了Grossmann-LoHse〜[phys。Fluids \ TextBF {33}，015113（2021）]和Pandey-Verma [物理。Rev. E \ TextBF {94}，053106（2016）]模型。我们观察到，尽管对所有模型的预测相互接近，但在本工作中开发的机器学习模型提供了与实验性和数值结果的最佳匹配。
translated by 谷歌翻译
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。
translated by 谷歌翻译
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。
translated by 谷歌翻译
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。
translated by 谷歌翻译
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.
translated by 谷歌翻译
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。
translated by 谷歌翻译
了解添加剂制造（AM）过程的热行为对于增强质量控制和实现定制过程设计至关重要。大多数纯粹基于物理的计算模型都有密集的计算成本，因此不适合在线控制和迭代设计应用程序。数据驱动的模型利用最新开发的计算工具可以作为更有效的替代品，但通常会在大量仿真数据上进行培训，并且通常无法有效使用小但高质量的实验数据。在这项工作中，我们使用物理知识的神经网络开发了AM过程的基于混合物理学的热建模方法。具体而言，通过红外摄像机测量的部分观察到的温度数据与物理定律结合在一起，以预测全场温度病史并发现未知的材料和过程参数。在数值和实验示例中，添加辅助训练数据并使用转移学习技术在训练效率和预测准确性方面的有效性，以及具有部分观察到的数据的未知参数的能力。结果表明，混合热模型可以有效地识别未知参数并准确捕获全田温度，因此它具有在AM的迭代过程设计和实时过程控制中的潜力。
translated by 谷歌翻译
人工智能（AI）和机器学习（ML）的最新表现突破，尤其是深度学习的进步（DL），功能强大，易于使用的ML库（例如Scikit-Learn，Tensorflow，Pytorch。），Pytorch。，Pytorch。。核工程师对AI/ML的前所未有的兴趣，并增加了计算能力。对于基于物理学的计算模型，已经广泛研究了验证，验证和不确定性定量（VVUQ），并且已经开发了许多方法。但是，ML模型的VVUQ的研究相对较少，尤其是在核工程中。在这项工作中，我们专注于ML模型的UQ作为ML VVUQ的初步步骤，更具体地说，是Deep Neural Networks（DNNS），因为它们是用于回归和分类任务的最广泛使用的监督ML算法。这项工作旨在量化DNN的预测或近似不确定性，当它们用作昂贵的物理模型的替代模型时。比较了DNN UQ的三种技术，即Monte Carlo辍学（MCD），深层合奏（DE）和贝叶斯神经网络（BNNS）。两个核工程示例用于基准这些方法，（1）使用野牛代码的时间依赖性裂变气体释放数据，以及（2）基于BFBT基准测试的无效分数模拟使用痕量代码。发现这三种方法通常需要不同的DNN体系结构和超参数来优化其性能。 UQ结果还取决于可用培训数据的量和数据的性质。总体而言，所有这三种方法都可以提供对近似不确定性的合理估计。当平均预测接近测试数据时，不确定性通常较小，而BNN方法通常会产生比MCD和DE更大的不确定性。
translated by 谷歌翻译
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
translated by 谷歌翻译
计算催化和机器学习社区在开发用于催化剂发现和设计的机器学习模型方面取得了长足的进步。然而，跨越催化的化学空间的一般机器学习潜力仍然无法触及。一个重大障碍是在广泛的材料中获得访问培训数据的访问。缺乏数据的一类重要材料是氧化物，它抑制模型无法更广泛地研究氧气进化反应和氧化物电催化。为了解决这个问题，我们开发了开放的催化剂2022（OC22）数据集，包括62,521个密度功能理论（DFT）放松（〜9,884,504个单点计算），遍及一系列氧化物材料，覆盖范围，覆盖率和吸附物（ *H， *o， *o， *o， *o， *o， * n， *c， *ooh， *oh， *oh2， *o2， *co）。我们定义广义任务，以预测催化过程中适用的总系统能量，发展几个图神经网络的基线性能（Schnet，Dimenet ++，Forcenet，Spinconv，Painn，Painn，Gemnet-DT，Gemnet-DT，Gemnet-OC），并提供预先定义的数据集分割以建立明确的基准，以实现未来的努力。对于所有任务，我们研究组合数据集是否会带来更好的结果，即使它们包含不同的材料或吸附物。具体而言，我们在Open Catalyst 2020（OC20）数据集和OC22上共同训练模型，或OC22上的微调OC20型号。在最一般的任务中，Gemnet-OC看到通过微调来提高了约32％的能量预测，通过联合训练的力预测提高了约9％。令人惊讶的是，OC20和较小的OC22数据集的联合培训也将OC20的总能量预测提高了约19％。数据集和基线模型是开源的，公众排行榜将遵循，以鼓励社区的持续发展，以了解总能源任务和数据。
translated by 谷歌翻译
我们介绍了一种用于学习时空平流扩散过程的组成物理学意识的神经网络（FINN）。 FINN实现了一种新的方式，通过以组成方式模拟部分微分方程（PDE）的成分来实现与数值模拟的物理和结构知识结合人工神经网络的学习能力。导致单维和二维PDE（汉堡，扩散，扩散反应，Allen-Cahn）展示了FinN的卓越的建模精度和超出初始和边界条件的优异分配概率。只有十分之一的参数数量平均，Finn在所有情况下占纯机学习和其他最先进的物理知识模型 - 通常甚至通过多个数量级。此外，在扩散吸附场景中近似稀疏的实际数据时，Finn优于校准的物理模型，通过揭示观察过程的未知延迟因子来确认其泛化能力并显示出说明潜力。
translated by 谷歌翻译
In this paper, negatively inclined buoyant jets, which appear during the discharge of wastewater from processes such as desalination, are observed. To minimize harmful effects and assess environmental impact, a detailed numerical investigation is necessary. The selection of appropriate geometry and working conditions for minimizing such effects often requires numerous experiments and numerical simulations. For this reason, the application of machine learning models is proposed. Several models including Support Vector Regression, Artificial Neural Networks, Random Forests, XGBoost, CatBoost and LightGBM were trained. The dataset was built with numerous OpenFOAM simulations, which were validated by experimental data from previous research. The best prediction was obtained by Artificial Neural Network with an average of R2 0.98 and RMSE 0.28. In order to understand the working of the machine learning model and the influence of all parameters on the geometrical characteristics of inclined buoyant jets, the SHAP feature interpretation method was used.
translated by 谷歌翻译
近年来，随着传感器和智能设备的广泛传播，物联网（IoT）系统的数据生成速度已大大增加。在物联网系统中，必须经常处理，转换和分析大量数据，以实现各种物联网服务和功能。机器学习（ML）方法已显示出其物联网数据分析的能力。但是，将ML模型应用于物联网数据分析任务仍然面临许多困难和挑战，特别是有效的模型选择，设计/调整和更新，这给经验丰富的数据科学家带来了巨大的需求。此外，物联网数据的动态性质可能引入概念漂移问题，从而导致模型性能降解。为了减少人类的努力，自动化机器学习（AUTOML）已成为一个流行的领域，旨在自动选择，构建，调整和更新机器学习模型，以在指定任务上实现最佳性能。在本文中，我们对Automl区域中模型选择，调整和更新过程中的现有方法进行了审查，以识别和总结将ML算法应用于IoT数据分析的每个步骤的最佳解决方案。为了证明我们的发现并帮助工业用户和研究人员更好地实施汽车方法，在这项工作中提出了将汽车应用于IoT异常检测问题的案例研究。最后，我们讨论并分类了该领域的挑战和研究方向。
translated by 谷歌翻译
在整个计算科学中，越来越需要利用原始计算马力的持续改进，通过对蛮力的尺度锻炼的尺度增加，以增加网状元素数量的增加。例如，如果不考虑分子水平的相互作用，就不可能对纳米多孔介质的转运进行定量预测，即从紧密的页岩地层提取至关重要的碳氢化合物。同样，惯性限制融合模拟依赖于数值扩散来模拟分子效应，例如非本地转运和混合，而无需真正考虑分子相互作用。考虑到这两个不同的应用程序，我们开发了一种新颖的功能，该功能使用主动学习方法来优化局部细尺度模拟的使用来告知粗尺度流体动力学。我们的方法解决了三个挑战：预测连续性粗尺度轨迹，以推测执行新的精细分子动力学计算，动态地更新细度计算中的粗尺度，并量化神经网络模型中的不确定性。
translated by 谷歌翻译
本研究介绍了混合过程建模和优化的广阔视角，将科学知识和数据分析在生物处理和化学工程中与科学引导机学习（SGML）方法相结合。我们将这种方法分为两大类。首先是指基于数据的ML模型的恭维的情况并使基于第一原理的科学的模型在预测中更准确，并且第二个对应于科学知识有助于使ML模型更加科学地保持的情况。我们对科学和工程文献进行了详细审查，与混合SGML方法有关，并提出了混合动力SGML模型的系统分类。为了应用ML改善基于科学的模型，我们呈现了直串行和并行混合建模的子类别及其组合，反向建模，阶阶建模，量化过程中的不确定性，甚至发现该过程的管理方程式的博览会模型。为了应用科学原则来改善ML模型，我们讨论科学导游的设计，学习和改进的子类别。对于每个子类别，我们确定其要求，优势和局限性以及其在生物处理和化学工程中的出版和潜在的应用领域。
translated by 谷歌翻译
锂离子电池（LIBS）的数学建模是先进电池管理中的主要挑战。本文提出了两个新的框架，将基于机器的基于机器的模型集成，以实现LIBS的高精度建模。该框架的特征在于通知物理模型的状态信息的机器学习模型，从而实现物理和机器学习之间的深度集成。基于框架，通过将电化学模型和等效电路模型分别与前馈神经网络组合，构造了一系列混合模型。混合模型在结构中相对令人惊讶，可以在广泛的C速率下提供相当大的预测精度，如广泛的模拟和实验所示。该研究进一步扩展以进行衰老感知混合建模，导致杂交模型意识到意识到健康状态以进行预测。实验表明，该模型在整个Lib的循环寿命中具有很高的预测精度。
translated by 谷歌翻译
机器学习（ML）是指根据大量数据预测有意义的输出或对复杂系统进行分类的计算机算法。 ML应用于各个领域，包括自然科学，工程，太空探索甚至游戏开发。本文的重点是在化学和生物海洋学领域使用机器学习。在预测全球固定氮水平，部分二氧化碳压力和其他化学特性时，ML的应用是一种有前途的工具。机器学习还用于生物海洋学领域，可从各种图像（即显微镜，流车和视频记录器），光谱仪和其他信号处理技术中检测浮游形式。此外，ML使用其声学成功地对哺乳动物进行了分类，在特定的环境中检测到濒临灭绝的哺乳动物和鱼类。最重要的是，使用环境数据，ML被证明是预测缺氧条件和有害藻华事件的有效方法，这是对环境监测的重要测量。此外，机器学习被用来为各种物种构建许多对其他研究人员有用的数据库，而创建新算法将帮助海洋研究界更好地理解海洋的化学和生物学。
translated by 谷歌翻译