基于主动学习的神经拓扑优化：用于提高流动通道中湍流质量传递效率
流体动力学
2025-03-07 v1
摘要
化工工艺反应器或分离装置的流动通道结构设计是提高设备内部质量传递过程的关键因素。然而，针对复杂湍流，通道拓扑结构的系统性设计困难。本文通过开发机器学习框架，高效实现针对湍流质量传递的通道结构拓扑优化。我们使用神经网络表示拓扑结构（称为“神经拓扑”），通过结合预训练神经算子和基于主动数据增强的微调策略进行优化。优化目标为：最大化质量传递效率和最小化能源消耗，以考虑实际设计中两者之间的权衡。开发的具备主动学习能力的神经算子在网络训练中数据高效，并在大范围设计空间内获取最优结构方面显示出优于传统方法的卓越计算效率。优化结果通过实验验证，表明优化后的通道相较于原始通道可提高浓度均匀性37%。我们还展示了在不同入口速度条件下最优结构的变化，为在不同作业条件下设计湍流质量传递装置提供参考。
引用
@article{arxiv.2503.03997,
title = {Efficient neural topology optimization via active learning for enhancing turbulent mass transfer in fluid channels},
author = {Chenhui Kou and Yuhui Yin and Min Zhu and Shengkun Jia and Yiqing Luo and Xigang Yuana and Lu Lu},
journal= {arXiv preprint arXiv:2503.03997},
year = {2025}
}