Прогнозирование распределения температур в реакторе микроволновой плазменной газификации на базе CFD и нейросетей

Какая задача решалась: Газификация отходов (waste-to-energy) в микроволновой плазме требует поддержания температуры свыше 2000 K для предотвращения образования нежелательных побочных продуктов (например, смол и диоксинов). Оптимизация геометрии реактора требует множественных запусков CFD, что занимает слишком много времени [cite: 8].

Используемый софт/версия: ANSYS Fluent 2021 R1 Academic, ANSYS DesignModeler [cite: 8].

Методы и подходы: Разработана двумерная CFD-модель реактора. Входные параметры (геометрия реактора и температурные профили) варьировались на базе данных из 13 реальных экспериментов. Было сгенерировано 644 обучающих CFD-набора (datasets). Эти данные использовались для обучения шести различных архитектур машинного обучения (включая нейронные сети ANN и градиентный бустинг GBM) [cite: 8].

Валидация и результат: На основе исключительно геометрических входных данных алгоритмы машинного обучения научились мгновенно предсказывать долю площади реактора, в которой температура превышает критический порог в 2000 K. Наилучшую точность показала нейронная сеть прямого распространения (Feed-Forward Neural Network, FNN) со средней абсолютной ошибкой (MAE) 0.011. Этот метод позволяет инженерам использовать обученные ML-алгоритмы в тандеме с CFD для ускорения высокоточной симуляции флюидов и улучшения моделей турбулентности [cite: 8].

Источник

Источник

Теги

• #CFD
• #ANSYSFluent
• #MachineLearning
• #Gasification
• #Optimization