Machine learning for rapid discovery of laminar flow channel wall modifications that enhance heat transfer

要約

流体の数値シミュレーションは、多くの物理現象をモデル化する上で重要な役割を果たしており、これにより技術の進歩が可能になり、持続可能な実践に貢献し、さまざまな自然システムや人工システムについての理解が広がります。
単純なフラットチャネル内の流体の流れにおける熱伝達の計算は、さまざまなシミュレーション方法で比較的簡単なタスクです。
ただし、チャネルの形状がより複雑になると、数値シミュレーションが壁の形状を最適化する際のボトルネックになります。
任意のフラットおよび非フラットチャネルの正確な数値シミュレーションと、抗力係数とスタントン数を​​予測する機械学習モデルの組み合わせを提示します。
畳み込みニューラル ネットワーク (CNN) が数値シミュレーションの数分の一の時間でターゲットの特性を正確に予測できることを示します。
私たちは、仮想ハイスループット スクリーニング アプローチで CNN モデルを使用して、ランダムに生成された多数の可能な壁アーキテクチャを調査します。
データ拡張を既存のジオメトリ データに適用して、同じ数の熱伝達パラメータを持つ生成された新しいトレーニング データを追加して、モデルの一般化を改善しました。
一般的なアプローチは、ここで示したような単純な流れのセットアップに適用できるだけでなく、化学工学における多相または反応性ユニットの操作など、より複雑なタスクにも拡張できます。

要約(オリジナル)

Numerical simulation of fluids plays an essential role in modeling many physical phenomena, which enables technological advancements, contributes to sustainable practices, and expands our understanding of various natural and engineered systems. The calculation of heat transfer in fluid flow in simple flat channels is a relatively easy task for various simulation methods. However, once the channel geometry becomes more complex, numerical simulations become a bottleneck in optimizing wall geometries. We present a combination of accurate numerical simulations of arbitrary, flat, and non-flat channels and machine learning models predicting drag coefficient and Stanton number. We show that convolutional neural networks (CNN) can accurately predict the target properties at a fraction of the time of numerical simulations. We use the CNN models in a virtual high-throughput screening approach to explore a large number of possible, randomly generated wall architectures. Data Augmentation was applied to existing geometries data to add generated new training data which have the same number of parameters of heat transfer to improve the model’s generalization. The general approach is not only applicable to simple flow setups as presented here but can be extended to more complex tasks, such as multiphase or even reactive unit operations in chemical engineering.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google