ナノ流体の熱伝導率のための移動学習に基づく代理モデル【JST・京大機械翻訳】

Pai Saeel S.; Banthiya Abhijeet

プレプリント

J-GLOBAL ID：202202207657283256 整理番号：22P0022672

ナノ流体の熱伝導率のための移動学習に基づく代理モデル【JST・京大機械翻訳】

Transfer-learning-based Surrogate Model for Thermal Conductivity of Nanofluids

出版者サイト {{ this.onShowPLink() }} 複写サービスで全文入手
高度な検索・分析はJDreamⅢで

この文献はプレプリントです。プレプリントについてはこちらをご確認ください。

著者 (2件)： ,
資料名：
発行年： 2022年01月02日プレプリントサーバーでの情報更新日： 2022年01月02日
JST資料番号： O7000B 資料種別：プレプリント
記事区分：プレプリント発行国：アメリカ合衆国 (USA) 言語：英語 (EN)

ナノ流体の熱伝達特性は1990年代以来広く研究されている。研究結果は,懸濁ナノ粒子が懸濁液の熱特性を著しく変えることを示した。ナノ流体の熱伝導率は,一般に,ベース流体のそれよりも大きい性質の1つである。この熱伝導率の増加はいくつかのパラメータに依存することを見出した。ナノ流体の熱伝導率をモデル化するためにいくつかの理論が提案されているが,ナノ流体の異常な熱伝導率をモデル化するための信頼できる普遍的理論はまだない。近年,監督されたデータ駆動法が,様々な科学分野,特に,難解な現象のモデリングのために,代理モデルを作成するために成功裏に採用された。これらの教師つき学習法は,モデルを高度に非線形現象を捕捉することを可能にする。本研究では,既存の相関を利用して,ナノ流体の熱伝導率を予測するためのよりロバストな代理モデルを開発するために,利用可能な実験結果と同時に用いた。人工ニューラルネットワークを,32の異なる粒子-流体組合せ(8粒子材料および4流体)に対する球状粒子によるナノ流体の熱伝導率増強を予測するために,移動学習法を用いて訓練した。相関から生成された大量の低精度データをモデルパラメータを粗くするために用いて,より信頼できる実験データの限られた量をモデルパラメータを微調整するために使用する。転送学習ベースのモデルの結果を,適合計量の良さを用いて,実験データだけに訓練されたベースラインモデルからの結果と比較した。移動学習モデルは,ベースラインモデルから0.83と反対に,0.93の適合値の良さで,より良く機能することが分かった。【JST・京大機械翻訳】

, , , , , , , , , , ,
, , , , 【Automatic Indexing@JST】

対流・放射熱伝達

, , ,

前のページに戻る