Extracting Design Information From Optimized Designs of Power Flow Systems: Application to Multisplit Thermal Management System Configuration
Notice bibliographique
Résumé
Abstract As engineering systems grow more intricate and technological progress accelerates, traditional sources of design knowledge, such as historical data and expert intuition, struggle to keep pace with the complexity and the speed of knowledge generation. To address this challenge, additional sources of knowledge are necessary, particularly for designing unprecedented engineering systems lacking any design heritage. One promising approach involves analyzing optimized designs to extract valuable insights, enabling designers to break away from incremental improvements over existing designs. This article explores the extraction of design information from optimized designs in power flow systems using various classification machine learning methods, empowering designers to make informed decisions in future design endeavors. This design information can also serve as a foundation for synthesizing engineering system configurations that are more complex than those previously encountered. This approach offers several advantages over traditional methods, including its applicability in the absence of design heritage and its ability to provide normative guidance for system design. This article focuses on power flow systems that can be modeled as graphs with a tree structure, with the case study being multisplit fluid-based thermal management systems. The article presents four case studies demonstrating the effectiveness of using information from optimized designs to enhance the design of complex thermal management systems, in both human-directed and automated design processes. The results show that information extraction significantly improves the design process, with less than 1 percent error in approximating the true optimal configuration. This approach eliminates the need for solving complex control problems, leading to reduced computation costs.
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 | 0,001 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».