Development of artificial neural networks (ANNs) for chemistry representation in the conditional source-term estimation (CSE) combustion model
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
The objective of this study is to develop and implement artificial neural networks (ANNs) with real-time integration in Conditional Source-term Estimation (CSE) used for turbulent combustion modelling. Aspects related to prediction accuracy, storage and computational cost are examined. For the first time, ANNs will be coupled with CSE to determine conditional averages of temperature, species mass fractions and source terms. Two sets of ANNs are developed for two different non-premixed turbulent flames: a pure methane jet flame and a diluted methane jet flame. The ANNs are trained and tested with augmented tabulated chemistry data. Reasonable accuracy is obtained during the testing process for both sets of ANNs across all mixture fractions, and a storage reduction of over 66% is obtained for both fuels. The CSE routine is then modified to replace the tabulated chemistry search and interpolation process with the ANN calculations (ANN-CSE), which is then used to simulate both flames in a Reynolds-Averaged Navier-Stokes (RANS) framework. ANN-CSE is able to produce reasonable results for the Favre averages of species mass fractions and source terms for both flames. The largest conditional deviations between ANN-CSE and conventional CSE with tabulated chemistry results occur in the fuel-rich region in both flames, the differences are reduced in the Favre averages. Further, ANN-CSE requires about 24% less memory than CSE with tabulated chemistry. The computational time is reduced by over 44% for both flames. ANNs are a promising method for representing complex fuel chemistry in the CSE combustion model and can be extended to other fuels and combustion regimes.
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 | 0,001 | 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 découle