Feb, 2024

一种预测冲击射流对凹面热传导的代理模型

PDF
TL;DR本研究综合研究了模型简化和深度学习技术在预测脉冲射流对凹曲面传热中的效用，并引入了预测代理模型（Predictive Surrogate Models）以评估具有不同射流特性的传热问题。模型简化和深度学习技术在模拟复杂传热现象方面表现出了多样性和高效性。
发现论文，激发创造
  • 考虑不确定性的代理模型用于具有去噪扩散概率模型的翼型流动模拟

    利用去噪扩散概率模型 (DDPMs) 训练一种具有不确定性意识的代理模型用于湍流仿真，结果表明 DDPMs 能够成功捕捉解的完整分布并准确估计仿真的不确定性。与贝叶斯神经网络和异方差模型相比，DDPMs 在各种准确性指标上表现更好，并提供完整的不确定性分布，从而能够生成真实和详细的解分布样本。

    Dec, 2023

  • 微通道换热系数预测的机器学习方法

    本文采用多输出高斯过程回归方法，使用 Brunel 二相流数据库中的高保真实验数据来建立微通道中的两相传热系数模型，并提出了改进该模型在外推方面性能的研究方向。

    May, 2023

  • 傅里叶神经算子在等离子替代模型中的应用

    使用深度学习为基础的 FNO 进行代理模拟，能够准确预测等离子体的演化，包括模拟和实际观测数据，以及在 Tokamak 反应堆中的实时监测。

    Nov, 2023

  • 通过操作员学习加速液态金属喷射增材制造中的局部尺度模拟

    本研究采用操作器学习方法来快速且准确预测液态金属喷射成型过程的成品质量，相较于基于神经网络或最近邻算法的降阶模型，操作器学习方法能够在更少的数据点上实现更广的预测泛化。

    Feb, 2022

  • 基于主动学习的代理建模技术用于高效模拟参数非线性系统

    本研究提出了一种非侵入式优化准则，以有效地构建参数化代理模型，利用基于核的浅层神经网络的主成分分析子空间和主动学习方法构建了 ActLearn-POD-KSNN 代理模型，该模型可以有效地预测新参数位置处的求解，即使在有多个相互作用的激波轮廓的情况下。

    Jun, 2023

  • 包装集合代理模型用于空气动力翼型外流估计

    研究项目比较了几个模型的性能，并找到了在这个特定任务中以 25% 的加速训练时间击败其 Deep Ensemble 对手的 PE (8,4,1) 模型。

    Dec, 2023

  • 随机潜在变换器：随机强迫区域性涡旋的高效建模

    引入了 “随机潜在转换器”，这是一种用于随机偏微分方程（SPDE）高效减维建模的概率深度学习方法。通过将具有随机驱动的流体力学建模应用于研究已深入的纬向气流系统，展示了该神经网络相较于数值积分实现了 5 个数量级的加速，从而实现了成本效益较高的大集合生成，进而探索关于自发转变事件概率的统计问题。

    Oct, 2023

  • 基于视觉 Transformer 的熔池深度轮廓预测的深度学习方法

    用机器学习框架将高速彩色成像下的热像与熔池横截面轮廓进行相关联，以模拟超声成像所观察到的熔池亚表面形态，并通过与实验熔池观察结果进行比较评估性能。

    Apr, 2024

  • 在聚变燃烧等离子体中通过基于替代模型的核心输运求解器优化提升预测能力

    本研究提出了 PORTALS 框架，利用代理建模和优化技术，在非线性陀螺动力学模拟中以显著降低的成本预测等离子体核心轮廓和性能，没有精度损失。通过与标准方法的基准测试，证明了 PORTALS 的高效性，并在使用 GPU 加速的非线性 CGYRO 中展示了在 DIII-D ITER 类似形态等离子体中对恒定态轮廓进行独特的五通道（电子温度、离子温度、电子密度、杂质密度和角度旋转）预测的全部潜力。本论文还提供了在聚变示范堆研究中准确性能预测的一般指导原则以及输运模型的影响。

    Dec, 2023

  • 金属增材制造中基于物理启发神经网络的实时二维温度场预测

    利用物理感知神经网络和 ConvLSTM 结构，我们提出了一种用于金属增材制造温度场预测的框架，可在实时预测和在线控制中应用，验证结果表明其在不同场景中具有灵活性和准确性。

    Jan, 2024