M.迪德里奇。;迪·巴托洛，L。;A.C.贝尼姆。 三维空腔流CFD数据插值与人工智能应用预测精度比较。 （英语） Zbl 07828003号 Sharma，Rajesh Kumar（编辑）等人，《工业和应用数学的前沿》。根据2021年12月21日至22日在印度旁遮普举行的第四届国际会议（FIAM-2021）上的演示文稿选出的论文。新加坡：斯普林格。Springer程序。数学。《美国联邦法律》第410卷第509-519页（2023年）。 概要：人工智能新技术的巨大机遇、不断增长的计算能力以及交互传感器技术，导致了下一场称为工业4.0的工业革命。在这一领域，将人工智能与数值模拟相结合，建立给定系统的简化模型，可用于建立系统的数字孪生模型，以实现更好的控制和更高效的性能。本文应用人工神经网络（ANN）方法和标准插值，建立了两种不同的三维腔流简化模型。利用计算流体动力学（CFD）对该问题进行了分析。CFD模拟是使用商业软件对一个案例进行的，该案例有文献中的实验数据。一般来说，CFD和ANN的结合在不同应用的不同研究中进行。因此，本论文的重点是利用两种不同的误差计算，将标准插值程序与人工神经网络进行比较。关于整个系列，请参见[Zbl 1524.76004号]. MSC公司： 76倍 流体力学 关键词：流体动力学;人工智能;人工神经元网络;工业4.0 软件：DeepONet（深度网络）;凯拉斯 PDF格式BibTeX公司 XML格式引用 \textit{M.Diederich}等人，Springer Proc。数学。Stat.410，509--519（2023；Zbl 07828003） 全文： 内政部 参考文献： [1] Chollet，F.，《深度学习麻省理工学院Python und Keras Das Praxis-Handbuch》（2018年），弗雷琴：MITP Verlag，弗雷琴 [2] Vargas，R.、Misavi，A.、Ruiz，R.：深度学习：综述。高级智能。系统。计算。2018100218 (2018) [3] Selle，S.：Künstliche Neurale Netzwerke和深度学习。应用科学大学商学院讲座（2018） [4] Benim，A.C.，Iqbal，S.，Joos，F.，Wiedermann，A.：模型旋流燃气轮机燃烧室湍流燃烧的数值分析。J.Combust。，文章ID 2572035（2016） [5] Pfeiffelmann，B。；贝尼姆，AC；Joos，F.，《热电发生器的有限体积分析》，《传热工程》，40，17-18，1442-1450（2019）·doi:10.1080/014576312.2018.1474588 [6] 卡根，M。；贝尼姆，AC；Gunes，D.，燃气轮机预旋系统运行特性的计算分析，WSEAS Trans。流体力学。，4, 4, 117-126 (2009) [7] 贝尼姆，AC；Pfeiffelmann，B。；奥克伦，P。；Taler，J.，用LES和FGM对提升氢火焰的计算研究，能源，1731172-1181（2019）·doi:10.1016/j.energy.2019.02.133 [8] AC贝尼姆；Diederich，M。；Gül，F。；奥克伦，P。；Taler，J.，准三维优化小型风力涡轮机空气动力学和气动声学的计算和实验研究，Energy Convers。管理。，177, 143-149 (2018) ·doi:10.1016/j.enconman.2018.09.042 [9] Andrews，A.，人工智能应用于计算流体动力学的进展和挑战，AIAA J.，26，1，40-46（1988）·数字对象标识代码：10.2514/3.9848 [10] 王，B。；王杰，人工智能在计算流体动力学中的应用，工业工程化学。研究，60，7，2772-2790（2021）·doi:10.1021/acs.iecr.0c05045 [11] Usman，A.，Muhammad，R.，Muhammad，S.，Ali，N.：机器学习计算流体动力学。瑞典人工智能学会研讨会（SAIS），第46-49页。IEEE（2021） [12] 科奇科夫，D。；JA史密斯；Aliyeva，A。；王，Q。；议员布伦纳；Hoyer，S.，机器学习加速计算流体动力学，美国国家科学院院刊，118，21（2021）·doi:10.1073/pnas.2101784118 [13] Sadrehaghai，I.：人工智能（AI）和CFD的深度学习。ResearchGate的技术报告。doi:10.13140/RG.2.22298.59847/2 [14] 潘瓦尔，V。；南卡罗来纳州范德朗吉；Emani，S.，基于人工智能的计算流体动力学方法，混合计算。智力。，8, 173-190 (2020) ·doi:10.1016/B978-0-12-818699-2.0009-3 [15] Rojek，K。；Wyrzykowski，R。；Gepner，P。；帕辛斯基，M。；Kranzlmüller，D。；Krzhizhanovskaya，VV；JJ Dongarra；Slot，PMA，基于OpenFOAM和CPU/GPU计算的AI加速CFD模拟，计算科学ICCS 2021，373-385（2021），柏林：施普林格，柏林·doi:10.1007/978-3-030-77964-1_29 [16] Chinesta，F。；库托，E。；Grmela，M。；莫亚，B。；Pavelka，M。；西普卡，M。；Barbaresco，F。；Nielsen，F.，《从数据中学习物理：热力学解释》，《统计物理的几何结构、信息几何和学习》，267-297（2021），柏林：斯普林格出版社，柏林·Zbl 07457733号 [17] Alfaro，I.、Gonzalez，D.、Zlotnik，S.、Diez，P.、Cueto，E.、Chinesta，F.：基于模型降阶的实时模拟器误差估计器。高级模型。模拟。Eng.Sci 2，第30条（2015年） [18] Ghnatios，C.，El Haber，G.，Duval，J.-L.，Zoane，M.，Chinesta，F.：基于人工智能的结构节点空间约简。SAFORM 2021（2021） [19] 赫尔南德斯，Q。；巴迪亚斯。；Gonzalez，D。；Chinesta，F。；Cueto，E.，从数据中深入学习热力学软件降阶模型，计算。方法应用。机械。工程师，379，4（2021）·Zbl 1506.80005号 ·doi:10.1016/j.cma.2021.113763 [20] 哈姆齐，B。；Owhadi，H.，《从数据学习动力系统：一个简单的交叉验证视角》，第一部分：参数化内核流，Physica D，421，3（2021）·Zbl 1509.68217号 ·doi:10.1016/j.physd.2020.132817 [21] Pengzhan，L.等人：基于算子的普遍逼近定理，通过DeepONet学习非线性算子，自然研究。自然马赫。智力。3(3), 218-229 (2021). doi:10.1038/s42256-021-00302-5 [22] Sancarlos，A。；卡梅隆，M。；Le Peuvedic，J-M；Groulier，J。；杜瓦尔，J-L；库托，E。；Chinesta，F.，学习杂交双胞胎的稳定降阶模型，ResearchGate（2021）·doi:10.1017/dce.2021.16 [23] Champaney，V.，Sancarlos，A.，Chinesta，F.，Cueto，E.，Gonzalez，D.，Alfaro，I.，Guevelou，S.，Duvalm J.L.，Chambard，A.，Mourguew P.：混合双绞线——通往基于性能工程的高速公路。第一部分：支持实时物理的高级模型降阶。ESAFORM 2021（2021） [24] Cueto，E.，Gonzalez，D.，Badias，A.，Chinesta，F.，Hascoet，N.，Duval，J.-L.：杂交双胞胎。第二部分。实时、数据驱动建模。ESAFORM 2021（2021） [25] Moya，B.，Badias，A.，Alfaro，I，Chinesta，F.，Cueto，E.：学习和纠正自我的数字双胞胎。国际期刊数字。方法工程，1-11（2020） [26] 比利时阿巴利；萨瓦什。，用于求解等温和不可压缩粘性流体流动的计算流体动力学的实验验证，SN Appl。科学。，2, 1500 (2020) ·doi:10.1007/s42452-020-03253-5 [27] ANSYS Fluent 18.0，理论指南，www.ANSYS.com 此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配，可能包含数据转换错误。在某些情况下，zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献，而不要求完整或完全匹配。