用于优化内部冷却通道肋廓型的基于深度算子学习的不确定性量化代理模型
流体动力学
2023-06-15 v1 机器学习
数值分析
数值分析
摘要
本文设计了具有不确定性量化能力的代理模型，以有效提高肋湍流内部冷却通道的热性能。为了构建代理模型，我们使用了深度算子网络 (DeepONet) 框架，这是一类新颖的神经网络，旨在使用相对较小的数据集来近似无限维空间之间的映射。所提出的 DeepONet 将带有控制点的任意连续肋几何形状作为输入，并输出关于肋廓型周围压力和传热分布的连续详细信息。训练和测试所提出的 DeepONet 框架所需的数据集是通过模拟二维肋粗糙内部冷却通道获得的。为此，我们根据带有约束的简单随机分布连续修改输入肋几何形状，而不是遵循预定义的路径或采样方法。所研究的通道水力直径 Dh 为 66.7 mm，长度与水力直径比 L/Dh 为 10。在肋廓型更新期间未改变的肋中心高度与水力直径之比 (e/Dh) 保持为 0.048 的恒定值。肋以 10 的节距与高度比 (P/e) 放置在通道中。此外，我们为所提出的代理模型提供了有效的不确定性量化能力。这是通过将 DeepONet 框架转换为贝叶斯 DeepONet (B-DeepONet) 来实现的。B-DeepONet 使用随机梯度副本交换 MCMC 的新颖框架从 DeepONet 参数的后验分布中采样。
引用
@article{arxiv.2306.00810,
title = {Deep Operator Learning-based Surrogate Models with Uncertainty Quantification for Optimizing Internal Cooling Channel Rib Profiles},
author = {Izzet Sahin and Christian Moya and Amirhossein Mollaali and Guang Lin and Guillermo Paniagua},
journal= {arXiv preprint arXiv:2306.00810},
year = {2023}
}
备注
25 pages, 12 figures, 4 tables- submitted to the International Journal of Heat and Mass Transfer