دانلود مقاله انگلیسی رایگان:رویکرد پیش بینی خطا مبتنی بر یادگیری ماشین برای دینامیک سیالات محاسباتی درشت-شبکه (CG-CFD) - 2020
بلافاصله پس از پرداخت دانلود کنید
دانلود مقاله انگلیسی داده های بزرگ رایگان
  • Machine-learning based error prediction approach for coarse-grid Computational Fluid Dynamics (CG-CFD) Machine-learning based error prediction approach for coarse-grid Computational Fluid Dynamics (CG-CFD)
    Machine-learning based error prediction approach for coarse-grid Computational Fluid Dynamics (CG-CFD)

    سال انتشار:

    2020


    عنوان انگلیسی مقاله:

    Machine-learning based error prediction approach for coarse-grid Computational Fluid Dynamics (CG-CFD)


    ترجمه فارسی عنوان مقاله:

    رویکرد پیش بینی خطا مبتنی بر یادگیری ماشین برای دینامیک سیالات محاسباتی درشت-شبکه (CG-CFD)


    منبع:

    Sciencedirect - Elsevier - Progress in Nuclear Energy, 118 (2020) 103140: doi:10:1016/j:pnucene:2019:103140


    نویسنده:

    Botros N. Hanna a,*, Nam T. Dinh a, Robert W. Youngblood b, Igor A. Bolotnov a


    چکیده انگلیسی:

    Computational Fluid Dynamics (CFD) is one of the modeling approaches essential to identifying the parameters that affect Containment Thermal Hydraulics (CTH) phenomena. While the CFD approach can capture the multidimensional behavior of CTH phenomena, its computational cost is high when modeling complex accident scenarios. To mitigate this expense, we propose reliance on coarse-grid CFD (CG-CFD). Coarsening the computational grid increases the grid-induced error thus requiring a novel approach that will produce a surrogate model predicting the distribution of the CG-CFD local error and correcting the fluid-flow variables. Given sufficiently fine-mesh simulations, a surrogate model can be trained to predict the CG-CFD local errors as a function of the coarse-grid local flow features. The surrogate model is constructed using Machine Learning (ML) regression algorithms. Two of the widely used ML regression algorithms were tested: Artificial Neural Network (ANN) and Random Forest (RF). The proposed CG-CFD method is illustrated with a three-dimensional turbulent flow inside a lid-driven cavity. We studied a set of scenarios to investigate the capability of the surrogate model to interpolate and extrapolate outside the training data range. The proposed method has proven capable of correcting the coarse-grid results and obtaining reasonable predictions for new cases (of different Reynolds number, different grid sizes, or larger geometries). Based on the investigated cases, we found this novel method maximizes the benefit of the available data and shows potential for a good predictive capability.
    Keywords: Coarse grid (mesh) | CFD | Machine learning | Discretization error | Big data | Artificial neural network | Random forest | Data-driven


    سطح: متوسط
    تعداد صفحات فایل pdf انگلیسی: 18
    حجم فایل: 4444 کیلوبایت

    قیمت: رایگان


    توضیحات اضافی:




اگر این مقاله را پسندیدید آن را در شبکه های اجتماعی به اشتراک بگذارید (برای به اشتراک گذاری بر روی ایکن های زیر کلیک کنید)

تعداد نظرات : 0

الزامی
الزامی
الزامی
rss مقالات ترجمه شده rss مقالات انگلیسی rss کتاب های انگلیسی rss مقالات آموزشی