Fast Prediction of Solute Concentration Field in Rotationally Influenced Fluids Using a Parameter-Based Field Reconstruction Convolutional Neural Network
Notice bibliographique
Résumé
Many high-performance fluid dynamic models do not consider fluids in a rotating environment and often require a significant amount of computational time. The current study proposes a novel parameter-based field reconstruction convolutional neural network (PFR-CNN) approach to model the solute concentration field in rotationally influenced fluids. A new three-dimensional (3D) numerical solver, TwoLiquidMixingCoriolisFoam, was implemented within the framework of OpenFOAM to simulate effluents subjected to the influence of rotation. Subsequently, the developed numerical solver was employed to conduct numerical experiments to generate numerical data. A PFR-CNN was designed to predict the concentration fields of neutrally buoyant effluents in rotating water bodies based on the Froude number (Fr) and Rossby number (Ro). The proposed PFR-CNN was trained and validated with a train-validation dataset. The predicted concentration fields for two additional tests demonstrated the good performance of the proposed approach, and the algorithm performed better than traditional approaches. This study offers a new 3D numerical solver, and a novel PFR-CNN approach can predict solute transport subjected to the effects of rotation in few seconds, and the PFR-CNN can significantly reduce the computational costs. The study can significantly advance the ability to model flow and solute transport processes, and the proposed CNN-based approach can potentially be employed to predict the spatial distribution of any physical variable in the lentic, ocean, and earth system.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| 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 ».