Machine learning approach to balance heat transfer and pressure loss in a dimpled tube: Generative adversarial networks in computational fluid dynamics
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
• GANs optimize dimple depth and pitch in heat pipes, balancing heat transfer and pressure loss. • Three distinct GANs-CFD datasets are created, each mixing GAN-generated and original points. • PEC shows deviations up to 15.49% compared to results from CFD simulations alone. • Average errors for dimple depth and pitch in GANs-CFD datasets are 6.1 % and ∼0 %, respectively. • GANs significantly reduce computational time and costs in optimizing heat pipe designs. In heat tubes, dimples enhance heat transfer but also introduce significant pressure loss. This study aims to optimize dimple depth and longitudinal pitch to balance heat transfer efficiency with pressure loss. An innovative machine learning approach using generative adversarial networks (GANs) is applied to identify optimal dimple configurations. GANs were trained on a foundational dataset derived from computational fluid dynamics (CFD) simulations. Initially, CFD simulations generated twenty sample data points to form the base dataset. By employing an ensemble learning method, GANs produced ten additional data points. Combining these with ten randomly chosen points from the original dataset resulted in a hybrid dataset called GANs-CFD, containing twenty points. This procedure was repeated three times to create three distinct GANs-CFD datasets. Performance evaluation criteria (PEC) optimization using these datasets showed that the results deviated by a maximum of 15.49 % from those obtained solely through CFD simulations. The average errors for optimized dimple depth and pitch across the three GANs-CFD datasets were 6.1 % and ∼0 %, respectively. These findings demonstrate the potential of GANs to significantly reduce computational time and cost in optimizing pipes for transporting heat in a fluid designs involving complex trade-offs between heat transfer and pressure loss.
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 | 0,001 |
| 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