机器学习与数值建模在聚甲基丙烯酸甲酯复合传热中的对比分析
机器学习
2022-04-20 v1
摘要
本研究比较了不同方法以预测聚甲基丙烯酸甲酯(PMMA)样品中传导与辐射传热同时作用的影响。PMMA是一种用于各种传感器与执行器件的聚合物。数值分析中考虑一维复合传热。在计算机实现中,通过隐式有限差分法在离散化情形下对控制方程进行数值求解。基尔霍夫变换用于从非线性传导传热方程中获取数据,考虑了施加于PMMA样品边界的单色辐射强度与温度条件。对于深度神经网络(DNN)方法,引入了新颖的长短期记忆(LSTM)方法,以比数值方法更短的处理时间获得准确结果。近期一项研究推导了PMMA样品的复合传热及其温度分布。此外,瞬态温度分布由另一项研究进行了验证。对比证明二者高度一致。其显示了主要位置处的温度梯度,该梯度使得PMMA样品产生谱量级的传导传热。与新颖的DNN方法相比,这一过程更为直接。结果表明,该人工智能方法在预测问题中准确且快速。通过分析数值解结果可知,传导与辐射热通量在梯度行为上相似,但其量级约为两倍。因此,总热通量在近似稳态条件下具有恒定值。除分析其组成外,还采用ROC曲线与混淆矩阵评估算法性能。
引用
@article{arxiv.2204.08459,
title = {Comparative analysis of machine learning and numerical modeling for combined heat transfer in Polymethylmethacrylate},
author = {Mahsa Dehghan Manshadi and Nima Alafchi and Alireza Taat and Milad Mousavi and Amir Mosavi},
journal= {arXiv preprint arXiv:2204.08459},
year = {2022}
}
备注
15 pages, 11 figures