KaydedilenlerDerginizi ekleyin

Dergiler / Isı Bilimi ve Tekniği Dergisi / 2022 / Cilt: 42 - Sayı: 2

SIKIŞTIRILAMAZ ISIL TAŞINIM PROBLEMLERİNİN FİZİKLE ÖĞRENEN YAPAY SİNİR AĞLARI İLE ÇÖZÜMÜ

PHYSICS INFORMED NEURAL NETWORKS FOR TWO DIMENSIONAL INCOMPRESSIBLE THERMAL CONVECTION PROBLEMS

Atakan AYGUN
Ali KARAKUS
Sayfa
221–232
Yayın Tarihi
2022-10-31
DOI
—
🏛️Bu makalenin bibliyografik verileri ve tam metin bağlantısı DergiPark üzerinden sağlanmıştır.
DergiPark Kaydı ↗
✨

Yapay Zeka Hızlı Bakış & Çıkarımlar

AI Insight
⚡ TL;DR(1 Cümlede Hızlı Çıkarım)

Son olarak, endüstriyel uygulamaları güç elektroniğine benzeyen sabit ve kararsız kısmen bloke kanal problemlerini ele alıyoruz ve yöntemin geçici problemlere de uygulanabileceğini gösteriyoruz.

📌 3 Maddede Bu Makale

🎯
Amaç & Hipotez:Fizikle öğrenen yapay sinir ağları (PINN'ler), etkinlikleri ve karmaşık ağlar oluşturmadan problemlerin üstesinden gelme yetenekleri nedeniyle son yıllarda mühendislik problemlerinde dikkat çekmiştir.
📊
Temel Bulgular & Veri:PINN'ler, koruma yasalarında diferansiyel operatörleri değerlendirmek için otomatik türevlenmeyi kullanır ve bu nedenle bir ayrıklaştırma şemasına ihtiyaç duymaz.
💡
Sonuç & Katkı:Son olarak, endüstriyel uygulamaları güç elektroniğine benzeyen sabit ve kararsız kısmen bloke kanal problemlerini ele alıyoruz ve yöntemin geçici problemlere de uygulanabileceğini gösteriyoruz.
🔬Tür:Uygulamalı Anket & Alan Araştırması
📍Kapsam:Genişletilmiş Akademik Örneklem
⚙️Değişkenler:fizikle öğrenen yapay sinir ağları · makine öğrenmesi · otomatik türevlenme

Özet

Fizikle öğrenen yapay sinir ağları (PINN'ler), etkinlikleri ve karmaşık ağlar oluşturmadan problemlerin üstesinden gelme yetenekleri nedeniyle son yıllarda mühendislik problemlerinde dikkat çekmiştir. PINN'ler, koruma yasalarında diferansiyel operatörleri değerlendirmek için otomatik türevlenmeyi kullanır ve bu nedenle bir ayrıklaştırma şemasına ihtiyaç duymaz. Bu yeteneği kullanarak, PINN'ler herhangi bir eğitim verisi olmadan kayıp fonksiyonunda geçerli fizik yasalarını karşılar. Bu çalışmada, gerçek uygulamalar ve karşılaştırılabilir sayısal veya analitik sonuçlara sahip problemler de dahil olmak üzere çeşitli sıkıştırılamaz ısıl taşınım problemlerini çözüyoruz. Modelin performansını değerlendirmek için analitik çözümü olan bir kanal problemini çözüyoruz. Model, bireysel kayıp terimlerinin ağırlıklarına büyük ölçüde bağımlıdır. Alan içindeki akış çok karmaşık değilse, sınır koşulu kaybının ağırlığının arttırılması doğruluğu artırır. Farklı tipteki ağların performansını ve Neumann sınır koşullarını yakalama yeteneğini değerlendirmek için, sınırlardaki sıcaklık gradyanlarından dolayı akışın meydana geldiği kapalı bir muhafazada bir termal konveksiyon problemini çözüyoruz. Basit tam bağlantılı ağ, termal konveksiyon problemlerinde iyi performans gösterir ve çok ölçekli davranış olmadığından ağda Fourier dönüşümüne ihtiyacımız yoktur. Son olarak, endüstriyel uygulamaları güç elektroniğine benzeyen sabit ve kararsız kısmen bloke kanal problemlerini ele alıyoruz ve yöntemin geçici problemlere de uygulanabileceğini gösteriyoruz.

Abstract

Physics-informed neural networks (PINNs) have drawn attention in recent years in engineering problems due to their effectiveness and ability to tackle problems without generating complex meshes. PINNs use automatic differentiation to evaluate differential operators in conservation laws and hence do not need a discretization scheme. Using this ability, PINNs satisfy governing laws of physics in the loss function without any training data. In this work, we solve various incompressible thermal convection problems, and compare the results with numerical or analytical results. To evaluate the accuracy of the model we solve a channel problem with an analytical solution. The model is highly dependent on the weights of individual loss terms. Increasing the weight of boundary condition loss improves the accuracy if the flow inside the domain is not complicated. To assess the performance of different type of networks and ability to capture the Neumann boundary conditions, we solve a thermal convection problem in a closed enclosure in which the flow occurs due to the temperature gradients on the boundaries. The simple fully connected network performs well in thermal convection problems, and we do not need a Fourier mapping in the network since there is no multiscale behavior. Lastly, we consider steady and unsteady partially blocked channel problems resembling industrial applications to power electronics and show that the method can be applied to transient problems as well.

🔖

Bu Makaleye Atıf Yap

AYGUN, A., KARAKUS, A. (2022). SIKIŞTIRILAMAZ ISIL TAŞINIM PROBLEMLERİNİN FİZİKLE ÖĞRENEN YAPAY SİNİR AĞLARI İLE ÇÖZÜMÜ. Isı Bilimi ve Tekniği Dergisi, Cilt: 42 - Sayı: 2, 221–232. https://ajindex.com/articles/860092

📄 Tam Metin PDF Okuyucu

📄

PDF görüntüleyici hazırlanıyor...

Kaynakça (7)

  1. Abadi, M., Barham, P., Chen, J., Chen, Z., Davis, A., Dean, J., Devin, M., Ghemawat, S., Irving, G., Isard, M., Kudlur, M., Levenberg, J., Monga, R., Moore, S., Murray, D. G., Steiner, B., Tucker, P., Vasudevan, V., Warden, P., Wicke, M., Yu, Y., and Zheng, X. (2016). TensorFlow: A system for large-scale machine learning. In 12th USENIX Symposium on Operating Systems Design and Implementation (OSDI 16), pages 265–283.
  2. Bairi, A., Zarco-Pernia, E., and De Maria, J.-M. G. (2014). A review on natural convection in enclosures for engineering applications. the particular case of the parallelogrammic diode cavity. Applied Thermal Engineering, 63(1):304–322.
  3. Baydin, A. G., Pearlmutter, B. A., Radul, A. A., and Siskind, J. M. (2017). Automatic differentiation in machine learning: a survey. The Journal of Machine Learning Research, 18(1):5595–5637.
  4. Cai, S., Mao, Z., Wang, Z., Yin, M., and Karniadakis, G. E. (2022). Physics-informed neural networks (PINNs) for fluid mechanics: a review. Acta Mechanica Sinica. Cai, S., Wang, Z., Wang, S., Perdikaris, P., and Karniadakis, G. (2021). Physics-informed neural networks (PINNs) for heat transfer problems. Journal of Heat Transfer, 143. De Vahl Davis, G. (1983). Natural convection of air in a square cavity: A bench mark numerical solution. International Journal for Numerical Methods in Fluids, 3(3). Esmaeilzadeh, S., Azizzadenesheli, K., Kashinath, K., Mustafa, M., Tchelepi, H. A., Marcus, P., Prabhat, M., Anandkumar, A., et al. (2020). Meshfreeflownet: A physics-constrained deep continuous space-time super-resolution framework. In SC20: International Conference for High Performance Computing, Networking, Storage and Analysis, pages 1–15.
  5. IEEE. Fathony, R., Sahu, A. K., Willmott, D., and Kolter, J. Z. (2021). Multiplicative filter networks. In International Conference on Learning Representations. Glorot, X. and Bengio, Y. (2010). Understanding the difficulty of training deep feedforward neural networks. In Proceedings of the Thirteenth International Conference on Artificial Intelligence and Statistics, pages 249–256. JMLR Workshop and Conference Proceedings. ISSN: 1938-7228.
  6. Habchi, S. and Acharya, S. (1986). Laminar mixed convection in a partially blocked, vertical channel. International Journal of Heat and Mass Transfer, 29(11):1711–1722.
  7. Hennigh, O., Narasimhan, S., Nabian, M. A., Subramaniam, A., Tangsali, K., Fang, Z., Rietmann, M., Byeon, W., and Choudhry, S. (2021). Nvidia SimNet™: An ai-accelerated multi-physics simu