Fysische wetten verbeteren voorspellingen van turbinekoeling
Een nieuw op fysica gebaseerd neuraal netwerk verbetert de voorspelling van temperatuurvelden bij turbine-eindwanden met variabele koelgaten. Door het principe van superpositie toe te passen, kan de generalisatiekracht van het model worden vergroot.
Bij het ontwerpen van turbines is het voorspellen van de koeling van cruciaal belang om oververhitting te voorkomen. Recente ontwikkelingen combineren machine learning met natuurkundige principes om betere simulaties te maken. In deze studie is een model ontwikkeld dat de temperatuurvoorspelling opdeelt in verschillende onderdelen, geïnspireerd op het superpositieprincipe uit de vloeistofdynamica.
Koppeling van AI en fysica
Door neurale operatoren te verrijken met domeinspecifieke natuurkundige kennis, kunnen modellen nauwkeuriger voorspellingen doen over situaties die ze tijdens de training niet direct hebben gezien. Deze zogenaamde physics-informed machine learning wint terrein in technische disciplines, omdat puur datagestuurde modellen vaak moeite hebben met extrapolatie buiten hun bekende trainingsdomein.
Deze samenvatting is gebaseerd op een origineel artikel van arXiv (cs.LG). Lees het volledige, originele bericht bij de bron.
Lees het originele artikel