关联信息神经网络:一种预测微通道压降的机器学习新框架
机器学习
2022-08-03 v2 人工智能
流体动力学
摘要
在强制沸腾现象中准确估算压降,对于低温热交换器的热分析与几何设计十分重要。然而,当前预测压降的方法存在两类问题之一:缺乏准确性或对不同情形的泛化能力。本文提出关联信息神经网络(CoINN),这是一种应用人工神经网络(ANN)技术并结合成功的压降关联式作为映射工具来预测微通道中非共沸混合物压降的新范式。该方法受迁移学习启发,后者广泛用于数据量较少的深度学习问题。我们的方法通过将Sun & Mishima压降关联式的知识迁移至ANN,提升了ANN性能。该关联式对微通道压降具有物理与现象学含义,显著改善了ANN的性能与泛化能力。最终架构包含三个输入:混合物蒸气干度、微通道内径以及可用压降关联式。结果显示,采用关联信息方法预测用于训练的实验数据及后续测试的平均相对误差(mre)为6%,低于Sun & Mishima关联式的13%。此外,该方法可扩展至其他混合物与实验设置,这是其他利用ANN映射关联式用于传热应用的方法所缺失的特性。
引用
@article{arxiv.2201.07835,
title = {Correlated-informed neural networks: a new machine learning framework to predict pressure drop in micro-channels},
author = {J. A. Montanez-Barrera and J. M. Barroso-Maldonado and A. F. Bedoya-Santacruz and Adrian Mota-Babiloni},
journal= {arXiv preprint arXiv:2201.07835},
year = {2022}
}