.png){kind=icon}
返回
Flow instability identification with a clustering-assisted tree-based machine learning framework
.png){kind=icon}
PRE
AI
DOI：10.1016/j.pnucene.2026.106360.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
为避免涉及两相流的换热设备中出现流动不稳定性，需要一种方法对其进行实时监测并快速判断是否发生不稳定性，以便在不稳定性发生时及时发出警报。基于统计数据分析，本文开发了一种机器学习模型，该模型是一个结合了聚类和决策树的识别框架。它基于大量实验数据充分学习流动不稳定性信号的统计模式，并在输入实时观测信号后快速确定流动属于稳定或不稳定状态，从而实现流动不稳定性智能监测、识别和预警功能。本文以平行环形窄通道内流动的实验数据为载体，展示了建立机器学习模型的全过程，并分别应用各种基于树的算法建立模型，测试和评估不同算法模型。此外，应用SHAP分析量化每个统计描述符的相对影响。该方法将“哪些特征对流动不稳定性最敏感”的问题转化为可量化的证据，为机理分析和模型优化提供参考。
Keyword:
Flow instability
Instability monitoring and quick determination
Machine learning
Clustering
Tree-based algorithm
期刊
IF:
3.2
论文数:
5.6K
被引数:
10.0K
机构
引用论文
.png){kind=icon}
分享收藏A decoupled and stabilized lattice Boltzmann method for multiphase flow with large density ratio at high Reynolds and Weber numbers高雷诺数和韦伯数下大密度比多相流的解耦稳定格子Boltzmann方法
PREAI
分享收藏K-means Algorithm Based on Flower Pollination Algorithm and Calinski-Harabasz Index基于花授粉算法和Calinski-Harabasz指数的K-means算法
PREAI
分享收藏Evaluation of K-Means Clustering Using Silhouette Score Method on Customer Segmentation使用轮廓系数方法对客户分群进行K-Means聚类评估
PREAI
分享收藏分享收藏
查看更多内容