Deep learning-assisted prediction of viscoplastic flow in superhydrophobic channels
Notice bibliographique
Résumé
Viscoplastic fluid flows in channels with asymmetric superhydrophobic (SH) walls are analyzed using computational fluid dynamics simulations, while a machine learning framework is developed to enhance computational efficiency and accuracy. A deep learning framework, based on a convolutional neural network (CNN), is trained on numerical simulation data to reconstruct velocity fields and identify yield surfaces. Additional models, including multiple linear regression (MLR), support vector machine (SVM), extreme learning machine (ELM), and adaptive neuro-fuzzy inference system (ANFIS), estimate key flow variables such as effective slip length and normalized plug area, with their predictions compared to CNN results, using standard performance metrics. Our results reveal that the CNN demonstrates strong predictive accuracy, closely matching the performance of ELM and ANFIS while significantly outperforming MLR and SVM. The trained CNN also enables the optimization of SH wall characteristics, capturing the non-monotonic effects of SH wall groove misalignment (ε) and slip area fraction (φ) on velocity asymmetry. Optimal misalignment shifts from ε=0.25 at φ1=φ2=0.5 to ε≈0.35 for φ1=φ2=0.1 or φ1=φ2=0.9, where subscripts 1 and 2 refer to the lower and upper SH walls, respectively. In addition, CNN results reveal that the optimal slip area fraction φ2=0.5 remains unchanged for smaller upper wall groove periodicity lengths (ℓ2), but decreases as ℓ2 increases, leading to a ∼10% reduction in flow velocity asymmetry.
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 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».