Artificial neural network to predict the power number of agitated tanks fed by <scp>CFD</scp> simulations
Notice bibliographique
Résumé
Abstract The power consumption of the agitator is a critical variable to consider in the design of a mixing system. It is generally evaluated through a dimensionless number known as the power number . Multiple empirical equations exist to calculate the power number based on the Reynolds number and dimensionless geometrical variables that characterize the tank, the impeller, and the height of the fluid. However, correlations perform poorly outside of the conditions in which they were established. We create a rich database of 100 k computational fluid dynamics (CFD) simulations. We simulate paddle and pitched blade turbines in unbaffled tanks from 1 to 100 and use an artificial neural network (ANN) to create a robust and accurate predictor of the power number. We perform a mesh sensitivity analysis to verify the precision of the values given by the CFD simulations. To sample the 100 k mixers by their geometrical and physical properties, we use the Latin hypercube sampling (LHS) method. We then normalize the data with a MinMax transformation to put all features in the same scale and thus avoid bias during the ANN's training. Using a grid search cross‐validation, we find the best architecture of the ANN that prevents overfitting and underfitting. Finally, we quantify the performance of the ANN by extracting 30% of the database, predicting the using the ANN, and evaluating the mean absolute percentage error. The mean absolute error in the ANN prediction is 0.5%, and its accuracy surpasses correlations even for untrained geometries.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».