Prediction of Local Heat Transfer in a Vertical Cavity Using Artificial Neutral Networks
Notice bibliographique
Résumé
A time-averaging technique was developed to measure the unsteady and turbulent free convection heat transfer in a tall vertical enclosure using a Mach–Zehnder interferometer. The method used a combination of a digital high speed camera and an interferometer to obtain the local time-averaged heat flux in the cavity. The measured values were used to train an artificial neural network (ANN) algorithm to predict the local heat transfer. The time-averaged local Nusselt number is needed to study local phenomena, e.g., condensation in windows. Optical heat transfer measurements were made in a differentially heated vertical cavity with isothermal walls. The cavity widths were W=12.7 mm, 32.3 mm, 40 mm, and 56.2 mm. The corresponding Rayleigh numbers were about 3×103, 5×104, 1×105, and 2.7×105, respectively, and the enclosure aspect ratio (H/W) ranged from A=18 to 76. The test fluid was air and the temperature differential was about 15 K for all measurements. ALYUDA NEUROINTELLIGENCE (version 2.2) was used to generate solutions for the time-averaged local Nusselt number in the cavity based on the experimental data. Feed-forward architecture and training by the Levenberg–Marquardt algorithm were adopted. The ANN was designed to suit the present system, which had 4–13 inputs and one output. The network predictions were found to be in a good agreement with the experimental local Nusselt number values.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».