文献

J-GLOBAL ID：202002265739396609   整理番号：20A2754847

機械学習法を用いた乱流噴霧におけるサブグリッド条件混合統計のモデリング【JST・京大機械翻訳】

Modeling of sub-grid conditional mixing statistics in turbulent sprays using machine learning methods

著者 (4件)： Yao S. (Institut fuer Technische Verbrennung, University of Stuttgart, Herdweg 51, 70174 Stuttgart, Germany) ,  Wang B. (Institut fuer Technische Verbrennung, University of Stuttgart, Herdweg 51, 70174 Stuttgart, Germany) ,  Kronenburg A. (Institut fuer Technische Verbrennung, University of Stuttgart, Herdweg 51, 70174 Stuttgart, Germany) ,  Stein O. T. (Institut fuer Technische Verbrennung, University of Stuttgart, Herdweg 51, 70174 Stuttgart, Germany)
資料名： Physics of Fluids  (Physics of Fluids)
巻： 32  号： 11  ページ： 115124-115124-17  発行年： 2020年 
JST資料番号： H0052B  ISSN： 1070-6631  CODEN： PHFLE6  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： 深層人工ニューラルネットワーク(ANNs)を用いて,混合分率のフィルタ密度関数(FDF)および条件付きスカラー散逸速度のようなサブグリッドスケール混合量をモデル化した。4つの隠れ層を有する深いANNを,乱流噴霧燃焼のキャリア相直接数値シミュレーション(CP-DNS)によって訓練した。先験的検証は,混合物分率FDFと条件付きスカラー散逸率のANN予測がCP-DNSデータと非常に良く一致することを確証した。ANNモデリング解は,約1%の平均誤差ではるかに優れた性能を示し,これは,β-FDFとその修正版のような標準モデリング手法よりも1桁小さい。予測した条件付きスカラー散逸率は,全混合分率空間にわたってCP-DNSデータと非常に良く一致し,一方,純粋気相燃焼に対して導いた従来のモデルは,より高い混合物分率と低い確率を持つ<N|ξ=η>領域を記述することができなかった。本論文の第二部では,ANN予測に関連した不確実性を解析した。訓練セットの適切な選択は,精度を損なうことなく,必要なテストデータベースのサイズを約50%削減できることを示した。特徴重要度解析を用いて,異なる燃焼モデルパラメータの重要性を分析した。液滴蒸発速度,液滴数密度,および混合物分率が支配的な特徴のままであるが,乱流レベルが十分に高いならば,乱流関連パラメータの影響は重要になった。Copyright 2020 AIP Publishing LLC All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： 液滴 ,  フィルタ ,  *乱流 ,  データベース ,  不確実性 ,  噴霧燃焼 ,  ニューラルネットワーク ,  噴霧 ,  気相 ,  スカラー ,  深層 ,  *機械学習
準シソーラス用語： 密度関数 ,  モデルパラメータ ,  液滴蒸発 , 【Automatic Indexing@JST】

分類 (2件)： 燃焼理論  (XE04020H) ,  流体動力学一般  (BC02010G)

タイトルに関連する用語 (7件)： 機械学習 ,  乱流 ,  噴霧 ,  サブ ,  グリッド ,  統計 ,  モデリング