VAE-methode verbetert berekeningen van stromingen in compressoren
Onderzoekers hebben een methode ontwikkeld om computermodellen van stromingsverschijnselen in compressoren te corrigeren. Door gebruik te maken van een variationele autoencoder worden afwijkingen tussen simulaties en werkelijke metingen verkleind.
Computersimulaties van complexe stromingen in technische toepassingen, zoals de luchtstromen rond de uiteinden van compressorbladen, wijken vaak enigszins af van de werkelijkheid. Omdat gedetailleerde praktijkmetingen schaars zijn, is het lastig om dergelijke modellen direct te valideren en te verbeteren. Om dit probleem aan te pakken, is een techniek voorgesteld die gebruikmaakt van een getrainde variationele autoencoder om een compacte statistische weergave van de stromingsvelden te genereren en zo de voorspellingen te corrigeren.
Latente ruimte voor betere simulaties
Binnen de stromingsleer en aerodynamica is het optimaliseren van ontwerpen cruciaal voor efficiëntie en prestaties. Simulaties op basis van Computational Fluid Dynamics zijn tegenwoordig de standaard in de industrie, maar vragen veel rekenkracht en kampen soms met systematische fouten. Door machine learning te combineren met fysieke modellen, proberen onderzoekers de nauwkeurigheid te vergroten zonder dat daar onrealistische hoeveelheden extra meetdata voor nodig zijn.
Deze samenvatting is gebaseerd op een origineel artikel van arXiv (cs.LG). Lees het volledige, originele bericht bij de bron.
Lees het originele artikel