An accelerated lattice Boltzmann method for natural convection coupled with convolutional neural network

物理 格子Boltzmann方法 自然对流 统计物理学 人工神经网络 对流 玻耳兹曼关系 水电站模型 卷积神经网络 机械 计算物理学 直接模拟蒙特卡罗 人工智能 雷诺数 湍流 蒙特卡罗方法 统计 数学 动态蒙特卡罗方法 计算机科学
作者
Zhiqiang Wang,Ying Xu,Ying Zhang,Zhaoqing Ke,Yuan Tian,Shuting Zhao
出处
期刊:Physics of Fluids [American Institute of Physics]
卷期号:36 (2)
标识
DOI:10.1063/5.0192043
摘要

A novel approach is proposed in the present study, which combines the lattice Boltzmann method (LBM) with convolutional neural networks and is suitable for square cavity natural convection and conjugate natural convection problems, exhibiting remarkable acceleration capabilities and potentials. The density distribution function obtained from LBM at time t and the temperature distribution function at time t+Δt under different Rayleigh numbers (Ra) are, respectively, utilized as input and output datasets for training and comparison in three convolutional neural networks, aiming to select the optimal coupling model, namely, half-Res-Unet. The coupling model can accurately simulate the natural convection in a square cavity within six times the upper limit of the Ra under the training condition, which can save the central processing unit (CPU) calculation time and the iteration steps by up to 29.2% and 30.3%, respectively. The coupling model is further extended in the current study to incorporate conjugate natural convection, enabling the accurate simulation of temperature distribution under training conditions with a thermal conductivity ratio (Ka) of 25 and an upper limit of Ra increased by 20 times. The corresponding maximum relative errors for the average Nusselt numbers (Nu) are found to be 1.8% and 0.7%, respectively, providing strong evidence for the generalization capability of the coupling model. Furthermore, the coupling model demonstrates a remarkable acceleration performance, as evidenced by its ability to reduce the CPU calculation time by up to 39.6% and iteration steps in the simulation process by 36.5%. It offers valuable insights into the integration of LBM with machine learning techniques, thereby enhancing the computational efficiency of LBM.
最长约 10秒,即可获得该文献文件

科研通智能强力驱动
Strongly Powered by AbleSci AI
更新
大幅提高文件上传限制,最高150M (2024-4-1)

科研通是完全免费的文献互助平台,具备全网最快的应助速度,最高的求助完成率。 对每一个文献求助,科研通都将尽心尽力,给求助人一个满意的交代。
实时播报
咕噜咕噜完成签到 ,获得积分10
1秒前
2秒前
2秒前
3秒前
3秒前
2123121321321发布了新的文献求助10
4秒前
kangwer完成签到,获得积分10
4秒前
4秒前
LJ发布了新的文献求助10
5秒前
研友_VZG7GZ应助贪玩的笑阳采纳,获得10
5秒前
murmur发布了新的文献求助10
6秒前
liuqizong123发布了新的文献求助10
7秒前
西瓜完成签到,获得积分10
7秒前
简单静槐发布了新的文献求助10
8秒前
JXY发布了新的文献求助10
8秒前
sdsd发布了新的文献求助10
8秒前
9秒前
everglow完成签到,获得积分10
10秒前
华仔应助Sasap采纳,获得10
11秒前
sss完成签到,获得积分20
11秒前
12秒前
英姑应助简静亦安然采纳,获得10
13秒前
不配.应助guoyanna采纳,获得10
13秒前
LJ完成签到,获得积分10
13秒前
科目三应助犹豫新梅采纳,获得10
13秒前
拾一完成签到,获得积分10
14秒前
sss发布了新的文献求助10
14秒前
无花果应助yongziwu采纳,获得10
15秒前
研友_VZG7GZ应助拼搏尔风采纳,获得10
15秒前
16秒前
16秒前
研友_LBorkn完成签到,获得积分10
16秒前
奶牛在吃豆完成签到,获得积分10
17秒前
流光广陵完成签到,获得积分10
17秒前
17秒前
深情安青应助研友_LjDyNZ采纳,获得10
18秒前
耍酷香菇完成签到,获得积分20
19秒前
干净的花卷完成签到,获得积分10
19秒前
Felly完成签到,获得积分10
19秒前
净净子完成签到,获得积分10
20秒前
高分求助中
Sustainability in Tides Chemistry 2800
The Young builders of New china : the visit of the delegation of the WFDY to the Chinese People's Republic 1000
Rechtsphilosophie 1000
Bayesian Models of Cognition:Reverse Engineering the Mind 888
Le dégorgement réflexe des Acridiens 800
Defense against predation 800
Very-high-order BVD Schemes Using β-variable THINC Method 568
热门求助领域 (近24小时)
化学 医学 生物 材料科学 工程类 有机化学 生物化学 物理 内科学 纳米技术 计算机科学 化学工程 复合材料 基因 遗传学 催化作用 物理化学 免疫学 量子力学 细胞生物学
热门帖子
关注 科研通微信公众号,转发送积分 3135254
求助须知:如何正确求助?哪些是违规求助? 2786259
关于积分的说明 7776312
捐赠科研通 2442153
什么是DOI,文献DOI怎么找? 1298474
科研通“疑难数据库(出版商)”最低求助积分说明 625112
版权声明 600847