[論文レビュー] Data-driven modeling for boiling heat transfer: using deep neural networks and high-fidelity simulation results

Yang Liu, Nam Dinh+2 more|arXiv (Cornell University)|Jun 8, 2018

Heat Transfer and Boiling Studies被引用数 5

ひとこと要約

本論文では、局所的な壁近傍特徴（運動量・エネルギー輸送、圧力勾配、表面特性など）を用いて、高精度なシミュレーションデータで訓練された深層順方向ニューラルネットワークモデルを提案し、沸騰熱伝達特性を予測する。モデルは補間および外挿テストにおいて高い精度を達成しており、従来の経験的モデルと比較して予測誤差が最小限に抑えられ、壁温度過熱度、熱束成分、壁近傍の空隙率の予測能力に優れている。

ABSTRACT

Boiling heat transfer occurs in many situations and can be used for thermal management in various engineered systems with high energy density, from power electronics to heat exchangers in power plants and nuclear reactors. Essentially, boiling is a complex physical process that involves interactions between heating surface, liquid, and vapor. For engineering applications, the boiling heat transfer is usually predicted by empirical correlations or semi-empirical models, which has relatively large uncertainty. In this paper, a data-driven approach based on deep feedforward neural networks is studied. The proposed networks use near wall local features to predict the boiling heat transfer. The inputs of networks include the local momentum and energy convective transport, pressure gradients, turbulent viscosity, and surface information. The outputs of the networks are the quantities of interest of a typical boiling system, including heat transfer components, wall superheat, and near wall void fraction. The networks are trained by the high-fidelity data processed from first principle simulation of pool boiling under varying input heat fluxes. State-of-the-art algorithms are applied to prevent the overfitting issue when training the deep networks. The trained networks are tested in interpolation cases and extrapolation cases which both demonstrate good agreement with the original high-fidelity simulation results.

研究の動機と目的

• 従来の経験的相関式と比較して不確実性を低減するデータ駆動型沸騰熱伝達モデルの構築を目的とする。
• プールボイルイングの第一原理的高精度シミュレーションを、深層ニューラルネットワークの学習データとして活用することを目的とする。
• 局所的な壁近傍物理的特徴を用いて、壁温度過熱度、熱束成分、壁近傍空隙率といった重要な沸騰熱伝達量を予測することを目的とする。
• 補間および外挿の両状況でのテストを通じて一般化性能を保証することを目的とする。
• 高次元入力空間におけるモデルの安定性と一般化を向上させるために、最新の正則化技術を用いて過学習を低減することを目的とする。

提案手法

• 異なる熱束条件下でのプールボイルイングからの高精度なシミュレーションデータを用いて、深層順方向ニューラルネットワークを学習する。
• 入力として局所的な壁近傍特徴（運動量およびエネルギーの対流輸送、圧力勾配、乱流粘性係数、表面情報）を用いる。
• ネットワーク学習中の過学習を防止するため、高度な正則化技術を採用する。
• 出力として沸騰熱伝達成分、壁温度過熱度、および壁近傍空隙率を定義する。
• 一般化性能を評価するために、補間および外挿の両ケースでモデルを検証する。
• ネットワークの学習および評価の基盤として、第一原理的シミュレーションを真値（グランドトゥース）として用いる。

実験結果

リサーチクエスチョン

• RQ1 高精度なシミュレーションデータで訓練された深層ニューラルネットワークは、さまざまな条件下で沸騰熱伝達を正確に予測できるか？
• RQ2 訓練データ範囲を超えた未観測条件に対しても、モデルの一般化性能はどの程度高いか？
• RQ3 全体的またはバルク流れパラメータと比較して、局所的な壁近傍特徴を用いることで予測精度はどの程度向上するか？
• RQ4 データ駆動型モデルは、従来の経験的相関式と比較して不確実性を低減できるか？
• RQ5 高度な正則化技術は、高次元入力空間におけるモデルの安定性および一般化性能にどのような影響を与えるか？

主な発見

• 深層ニューラルネットワークモデルは、補間および外挿の両ケースにおいて、高精度なシミュレーション結果と良好な一致を示した。
• モデルは、壁温度過熱度、熱束成分、壁近傍空隙率といった重要な沸騰熱伝達量を的確に予測できた。
• 正則化技術により過学習が効果的に抑制され、未学習データに対しても頑健な性能が得られた。
• モデルは強力な一般化能力を示しており、実世界の工学的応用への可能性を示している。
• 局所的な壁近傍特徴の使用により、全体的システムパラメータに依存せずに高精度な予測が可能になった。
• データ駆動型アプローチにより、従来の経験的モデルと比較して不確実性が低減され、熱交換器設計の有望な代替手法を提供した。