.png){kind=icon}
返回
Predicting Multi-Dense Jet Concentration Fields Using a Field Reconstruction Machine Learning Framework
.png){kind=icon}
OA
AI
DOI：10.3390/pr13030863.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
射流现象在环境工程、化学过程模拟、流体动力学和污染物扩散方面具有显著应用。然而，传统的物理模型和数值模拟方法在处理复杂射流现象（如多倾斜密集射流系统）时面临计算成本高和精度有限等挑战。为解决这一问题，本研究提出了一种场重构机器学习算法，用于模拟多倾斜密集射流的浓度场。通过计算流体动力学（CFD）模拟构建了全面的数据集，并训练了场重构LightGBM模型，将其与基于XGBoost、GradientBoostingRegressor和KNN算法的场重构方法进行比较，以验证其在该物理问题中的优越性。通过测试，LightGBM的R²值接近0.99，RMSE值约为0.001。结果表明，LightGBM模型能够准确预测射流的混合和扩散过程，与其他本研究中使用的方法相比，展现出更高的预测精度和稳定性，尤其是在高密度射流的复杂流场环境中。本研究为研究射流特性提供了新思路和工具，并为工程排放优化提供了理论支持。
Keyword:
inclined dense jets
multiple diffusers
machine learning
LightGBM
field reconstruction
期刊
IF:
2.8
论文数:
7.5K
被引数:
3.7W
机构
引用论文
A numerical and analytical study of the effect of aspect ratio on the behavior of a round thermal
PREAI
分享收藏分享收藏
Machine Learning Prediction of Gas Hydrates Phase Equilibrium in Porous Medium多孔介质中天然气水合物相平衡的机器学习预测.png)
2024 IEEE 18th International Symposium on Applied Computational Intelligence and Informatics (SACI)
2024 IEEE 18th International Symposium on Applied Computational Intelligence and Informatics (SACI)IF0
PREAI
分享收藏
查看更多内容