用于快速发现增强传热的层流通道壁面改型的机器学习
流体动力学
2023-08-09 v2 机器学习
摘要
流体数值模拟在建模许多物理现象中起着至关重要的作用，其推动技术进步、促进可持续实践并拓展我们对各种自然与工程系统的理解。简单平直通道内流动传热的计算对于各类模拟方法而言相对容易。然而，一旦通道几何变得复杂，数值模拟便成为优化壁面几何的瓶颈。我们提出了精确数值模拟任意平直与非平直通道与预测阻力系数和 Stanton 数的机器学习模型相结合的方法。我们展示了卷积神经网络（CNN）能以数值模拟所需时间的一小部分准确预测目标属性。我们将 CNN 模型用于虚拟高通量筛选方法，以探索大量可能的随机生成壁面结构。对现有几何数据应用数据增强，以添加具有相同传热参数数量的新生成训练数据，从而改善模型的泛化能力。该通用方法不仅适用于此处所述的简单流动设置，还可扩展至更复杂的任务，例如化工中的多相甚至反应单元操作。
引用
@article{arxiv.2101.08130,
title = {Machine learning for rapid discovery of laminar flow channel wall modifications that enhance heat transfer},
author = {Yuri Koide and Arjun J. Kaithakkal and Matthias Schniewind and Bradley P. Ladewig and Alexander Stroh and Pascal Friederich},
journal= {arXiv preprint arXiv:2101.08130},
year = {2023}
}