Prediction Accuracy of Artificial Neural Networks in Thermal Management Applications Subject to Neural Network Architectures
Notice bibliographique
Résumé
The present study investigates the dependency of prediction accuracy of an artificial neural network (ANN) on the network architecture using 65 different neural networks from seven architecture patterns. The accuracy of the ANNs is compared based on their capability to predict heat transfer coefficients of air-cooled heat sinks operating in laminar flow. Scattered input data is used for training the networks to make the modelling more realistic and closer to practical applications. The input variables for the neural network are heat sink width, channel height, channel length, number of channels, fin thickness, and Reynolds number. The output is heat transfer coefficient. The training process for all ANNs is performed using ReLU as the activation function. The accuracy of the neural networks is evaluated by the root mean square error. It is found that the prediction accuracy of an ANN is strongly dictated by the optimization of the network architecture, which corresponds to the proper number of hidden layers and the number of neurons at each layer. The most accurate architecture in the present study predicts heat transfer coefficients of 60% and 86% of heat sinks within 10% and 20% of the true values, respectively. However, an ANN with an unoptimized architecture results in a substantially reduced accuracy such that it predicts heat transfer coefficients of only 19% and 30% of heat sinks within 10% and 20% of the true values, respectively.
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) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».