VAE-methode verbetert stromingsvoorspellingen in compressoren
Onderzoekers presenteren een methode om berekeningen van stromingen in compressoren te corrigeren met behulp van een variationele autoencoder. Dit model past de latente ruimte aan om betere aansluiting te vinden bij werkelijke metingen.
Computersimulaties van complexe stromingen rond compressorbladen wijken vaak af van de werkelijkheid. Omdat gedetailleerde metingen in de praktijk schaars zijn, is het lastig om deze simulaties direct te kalibreren. Een nieuwe aanpak maakt gebruik van machine learning om deze afwijkingen automatisch te verkleinen.
Latente ruimte
Bij deze techniek worden bestaande simulatiegegevens geanalyseerd met een speciaal type neuraal netwerk, een variationele autoencoder. Dit netwerk leert de onderliggende patronen van de drukkanaalverliezen in een compacte vorm te vangen. Vervolgens past het model deze representatie aan om de voorspellingen nauwkeuriger te maken.
Het corrigeren van computersimulaties met behulp van datagestuurde modellen is een brede trend binnen de technische wetenschappen. Door fysische modellen te combineren met machine learning, proberen onderzoekers de betrouwbaarheid van simulaties te vergroten zonder dat daar kostbare experimenten 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