PulseAugur
中
实时 08:15:22
English(EN) Thermodynamics-Informed Input Reparameterization for Neural Prediction of Real-Fluid Thermodynamic Properties in Supercritical Combustion

新的TAIR方法提升神经网络流体性质预测能力

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员开发了一种名为目标对齐输入重参数化（TAIR）的新方法，以提高神经网络在超临界燃烧模拟中预测热力学性质的准确性。该方法修改输入到神经网络的数据，引导它们更有效地学习偏离理想气体行为的特性。TAIR在温度、密度和压缩性预测方面显著降低了均方根误差，优于基线方法，并突出了热力学信息输入设计的重要性。 AI

影响 提高了复杂模拟的准确性，有望加速燃烧及相关领域的研究。

排序理由 该集群包含一篇详细介绍新方法及其评估的科学论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →

新的TAIR方法提升神经网络流体性质预测能力

报道来源 [1]

  1. arXiv cs.LG TIER_1 English(EN) · Haoze Zhang, Han Li, Ke Xiao, Yangchen Xu, Runze Mao, Zhi X. Chen ·

    面向超临界燃烧真实流体热力学性质神经网络预测的热力学信息输入重参数化

    arXiv:2607.19241v1 Announce Type: new Abstract: Real-fluid thermodynamic property evaluation is a major computational cost in supercritical combustion simulations. In the enthalpy-based pressure-correction formulation, the closure evaluates temperature T, density $\rho$, and comp…

相关实体

相关话题