Application of machine learning in low-order manifold representation of chemistry in turbulent flames
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
The Uniform Conditional State (UCS) and the Multidimensional Flamelet Manifold (MFM) models are methods for the tabulation of chemistry in simulations of turbulent flames. The high-dimensionality of the tables these models generate and many possible combinations of the values for the input variables necessitate the allocation of a considerable size of memory during CFD calculations. This issue becomes even more problematic when adding more conditioning variables to the model. In this study, two Artificial Intelligence (AI)-based approaches referred to as Decision Tree (DT) and Artificial Neural Network (ANN) are developed and tested to provide in situ chemistry representation. The goal is to predict four parameters (outputs) accurately with low memory demand and computational cost. The trained AI models are then employed for simulation of a turbulent premixed flame. Comparison of the results from the AI-based approaches to those from the conventional UCS model shows acceptable agreement. The memory and CPU requirements from the different approaches are compared. It is found that the ANN model reduces the size of the chemistry table by around 92%. Conversely, the DT-based model reduces the size of the chemistry model by only 40%. The CPU time for using the DT model during the CFD calculations was around 10% shorter than the conventional approach while it was 8% higher for the ANN model. It was concluded that, based on the particular applications, different AI-based methods can facilitate an efficient representation of the chemistry manifold.
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.
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 | 0,000 |
| 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 | 0,000 |
| 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 découle