文献

J-GLOBAL ID：202202290688181184   整理番号：22A1113295

高密度粒子懸濁液における流体力を予測するための深層学習法【JST・京大機械翻訳】

Deep learning methods for predicting fluid forces in dense particle suspensions

著者 (5件)： Ashwin Neil Raj (Dept. of Mechanical Engineering, Virginia Tech, Blacksburg, VA 24060, USA) ,  Cao Ze (School of Hydraulic Engineering, Dalian University of Technology, Dalian 116024, China) ,  Muralidhar Nikhil (Dept. Computer Science, Virginia Tech, Blacksburg, VA 24060, USA) ,  Tafti Danesh (Dept. of Mechanical Engineering, Virginia Tech, Blacksburg, VA 24060, USA) ,  Karpatne Anuj (Dept. Computer Science, Virginia Tech, Blacksburg, VA 24060, USA)
資料名： Powder Technology  (Powder Technology)
巻： 401  ページ： Null  発行年： 2022年 
JST資料番号： B0730A  ISSN： 0032-5910  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： オランダ (NLD)  言語： 英語 (EN)

抄録/ポイント： 2つの深層学習法,マルチLayer Perceptron(MLP)ネットワークおよび畳込みニューラルネットワーク(CNN)を,粒子溶解シミュレーション(PRS)からのデータを用いて,楕円粒子の高密度懸濁液における抗力を予測するために評価した。MLPは,平均流Reynolds数,懸濁液の固体分率,粒子のアスペクト比,および流れ方向への配向に関して訓練された。CNNは,距離関数を介して,関心の粒子とその即時近隣の付加的3D空間マップを与える。訓練されたネットワークの予測能力を,異なるレベルの複雑さでテストした:非セエンス粒子配列(Level1),非セエンス数値実験(Level2)のすべての配置,および最終的には,非セエンReynolds数,固体分率またはアスペクト比(Level3)の全ての実験。CNNは,非分離アスペクト比での試験を除いて,全ての試験レベルでMLPよりも良好に機能することを示した。Copyright 2022 Elsevier B.V., Amsterdam. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： *懸濁液 ,  抗力 ,  シミュレーション ,  溶解 ,  ネットワーク ,  アスペクト比 ,  ニューラルネットワーク ,  Reynolds数 ,  流体力 ,  平均流 ,  機械学習
準シソーラス用語： 高密度 ,  複雑性 ,  数値実験 ,  *深層学習 ,  畳込みニューラルネットワーク , 【Automatic Indexing@JST】

著者キーワード (5件)： 機械学習 ,  多層パーセプトロン(MLP) ,  畳込みニューラルネットワーク(CNN) ,  楕円体粒子懸濁液 ,  抵抗力

分類 (2件)： 粉体工学  (XD03010M) ,  固体の製造・処理一般  (XD03021O)

タイトルに関連する用語 (4件)： 懸濁液 ,  流体力 ,  予測 ,  深層学習