使用条件生成对抗网络进行临界热流密度诊断
流体动力学
2023-05-05 v1 机器学习
摘要
临界热流密度（CHF）是应用于高热流密度热工水力系统的沸腾传热过程中的重要安全边界。识别 CHF 对于防止设备损伤和确保系统整体安全至关重要，但由于现象复杂性而具有挑战性。为深入理解复杂现象，已设计多种方法，但高分辨率数据的获取受限于所需的大量资源消耗。本研究提出一种数据驱动的、图像到图像转换的方法，利用条件生成对抗网络（cGANs）重建 CHF 下沸腾系统的热数据。监督学习过程依赖于配对图像，包括流动沸腾实验获得的总反射可视化图像和红外测温测量。我们提出的方法不仅有可能提供将相界面动力学与热分布联系起来的证据，还能简化与红外热成像相关的费力且耗时的实验搭建和数据处理流程，从而为 CHF 诊断提供有效解决方案。
引用
@article{arxiv.2305.02622,
title = {Critical heat flux diagnosis using conditional generative adversarial networks},
author = {UngJin Na and Moonhee Choi and HangJin Jo},
journal= {arXiv preprint arXiv:2305.02622},
year = {2023}
}