×
朱恩平;李涛;熊金彪;柴、香;张腾飞;刘晓静

空间核动力中数字孪生体的超实时三维计算方法。 （英语） Zbl 07804998号

计算。方法应用。机械。工程师。 417，A部分，文章ID 116444，21 p.（2023）.
摘要：近年来，数字双胞胎在学术界和工业界引起了广泛关注。它可以实时准确地反映物理世界，实现在线监测、控制和预测操作。它们的基础是超实时计算和高数据表示能力。然而，目前的DT并没有实现3D超实时计算。本研究提出了一种新的三维计算方法，用于超实时求解流固耦合问题。该方法基于混合解框架，将传统数值方法与深度学习算子相结合。具体来说，该方法采用多核CPU并行加速来求解实体方程，同时利用GPU的计算能力来求解流体方程。流固耦合是通过GPU和多核CPU之间的信息交换实现的。此外，该方法引入了一种新的基于DeepONET的深度学习算子框架。该框架附带了一个数据库结构，该数据库结构有助于模型培训和验证，以及一个损失函数，用于指导培训。空间核反应堆是一种改进的TOPAZ-II系统，用于证明其可行性。为了测试泛化性能，模拟了四种非训练瞬态条件。结果表明，该方法计算结果与参考值的平均误差小于2.5%，热力学参数的平均误差低于1.5%。瞬态过程中系统参数峰值与参考值的平均偏差小于5s。结果满足可接受的误差水平，满足超分辨率时间要求，时间加速比约为1.17，比传统数值方法快60倍。结果证明了该方法的准确性和有效性。

MSC公司：

68倍 计算机科学
76倍 流体力学

关键词：

数字孪生兄弟;GPU和多核CPU;机器学习;超实时;空间核反应堆

软件：

AMPI公司;DeepONet（深度网络）;开放式多媒体接口
PDF格式BibTeX公司 XML格式引用
\textit{E.Zhu}等人，计算。方法应用。机械。工程417，A部分，文章ID 116444，21 p.（2023；Zbl 07804998）
全文： 内政部

参考文献：

[1] 辛格，M。；斯利瓦斯塔瓦，R。；Fuenmayor，E.，《数字孪生兄弟在各个行业的应用：综述》。申请。科学。，11, 5727 (2022)
[2] 恩德斯，M.R。；Hozbach，N.，数字孪生应用的维度——文献综述（2019年）
[3] Schleich，B。；Anwer，N。；Mathieu，L.，《为设计和生产工程打造数字孪生兄弟》，CIRP Ann.，1141-144（2017）
[4] 吕，Z。；Cheng，C。；Lv，H.，数字双胞胎，用于建筑中的安全热能存储。申请。能源（2023年）
[5] de López Diz，S。；López，R.M。；Sánchez，F.J.R.，用于状态监测的三相功率变换器的实时数字孪生方法。应用。能源（2023年）
[6] 王，M。；冯，S。；Inceick，A.，通过新型数字双驱动方法考虑模型不确定性的结构疲劳寿命预测。计算。方法应用。机械。工程（2022）·兹比尔1507.74424
[7] 陈，Z。；黄，L.，《再制造供应链中信息共享的数字孪生兄弟：综述》。能源（2021年）
[8] 刘，M。；方，S。；Dong，H.，关于概念、技术和工业应用的数字孪生兄弟回顾。制造系统杂志。，346-361 (2021)
[9] 潘，H。；窦，Z。；蔡毅，数字孪生及其在电力系统中的应用，21-26
[10] Lin，T.Y。；贾，Z。；Yang，C.，《进化数字孪生兄弟：智能工业产品开发的新方法》。高级工程师通知。(2021)
[11] 周，Y。；苏，P。；Wu，J.，工业能源系统提供灵活性服务的数字孪生兄弟，274-277
[12] 李，C。；Yang，D.，基于GAN的电网数字孪生模型构建，7767-7771
[13] 郑毅。；华，Y。；Wei，P.，基于数字孪生的快速实时仿真在双馈感应发电机故障监测中的应用，1158-1167
[14] 辛格，M。；斯利瓦斯塔瓦，R。；Fuenmayor，E.，《数字孪生兄弟在各个行业的应用：综述》。申请。科学。，11, 5727 (2022)
[15] 拉希德，A。；圣马力诺。；Kvamsdal，T.，《数字孪生兄弟：从建模角度来看的价值、挑战和促成因素》。Ieee Access，21980-22012（2020）
[16] Z.赵云。；Linjun，L.，数字孪生技术在配电网中的应用现状和前景。能源代表，14170-14182（2022）
[17] 胡，R。；Shang，L。；马，N.，基于数字孪生的新型配电系统低压治理与评估方法研究，806-813
[18] 张，P。；陈，B。；冯鹏，基于数字并行系统的卫星星座成像调度，3470-3479
[19] 刘，R。；李，H。；Lv，Z.，数字双胞胎中三维模型的建模方法。CMES-计算。模型。工程科学。，2, 985-1022 (2023)
[20] 兹瓦里科娃，K。；霍拉克，J。；Downs，S.，《数字孪生算法、智能城市技术和虚拟城市环境中的3D时空模拟》。地缘政治。历史。国际关系。，1, 139-154 (2022)
[21] Zhang，Y。；布赖恩，J。；Richards，G.，使用人工神经网络开发和比较选择综合再生跨临界循环的替代模型。申请。能源（2022年）
[22] Funk，S。；Airoud Basmaji，A。；Nackenhorst，U.，基于非线性结构工程应用的支持向量回归的全球支持代理模型。架构（architecture）。申请。机械。，2, 825-839 (2023)
[23] 法希姆，M。；夏尔马，V。；Cao，T.V.，基于机器学习的风力涡轮机预测建模数字孪生模型。IEEE接入，14184-14194（2022）
[24] 加利亚齐，A。；普里夫蒂，K。；Cortellini，C.，使用机器学习方法开发胺洗涤数字双胞胎的替代模型。计算。化学。工程（2023）
[25] 王，S。；赖，X。；He，X.，构建一个值得信赖的产品级形状性能集成数字孪生与多理想代理模型。J.机械。设计。，3 (2022)
[26] 周，M。；严，J。；Feng，D.，数字孪生框架及其在电网在线分析中的应用。CSEE J.电力能源系统。，3, 391-398 (2019)
[27] Zohdi，T.I.，复杂环境中基于快速自适应数字孪生火灾传播模拟的机器学习框架。计算。方法应用。机械。工程（2020）·Zbl 1436.76052号
[28] Gunasegaram，D.R。；墨菲，A.B。；Barnard，A.，《金属添加剂制造数字孪生体的多尺度多物理模型及其替代品的开发》，Addit。制造（2021）
[29] 陈，J。；孟，C。；Gao，Y.，数字双胞胎的多精度神经优化机器。结构。多磁盘。最佳。，12, 1-15 (2022)
[30] He，W。；毛，J。；Song，K.，基于数字孪生模型的结构性能预测：电池支架示例。宗教信仰。工程系统。安全。(2023)
[31] Yi，Y。；夏，C。；Feng，C.，基于数字双长短期记忆（LSTM）神经网络的锂离子电池实时温度预测和退化模型分析。J.储能（2023年）
[32] 弗雷斯卡，S。；Manzoni，A。；Dedè，L.，POD增强的基于深度学习的降阶模型，用于左心房心脏电生理的实时模拟。前面。生理学。(2021)
[33] 弗雷斯卡，S。；Manzoni，A.，通过基于深度学习的降阶模型实时模拟参数相关流体流动。流体，7259（2021）
[34] 弗雷斯卡，S。；戈巴特，G。；Fedeli，P.，基于深度学习的微结构非线性动力学实时仿真降阶模型。国际。J.数字。方法工程，204749-4777（2022）
[35] 康蒂，P。；戈巴特，G。；Fresca，S.，通过自动编码器和SINDy方法对参数化系统进行降阶建模：周期解的延续。计算。方法应用。机械。工程（2023）·Zbl 07692963号
[36] Makkar，G。；史密斯，C。；Drakoulas，G.，复合材料机翼基于物理的多保真度建模和健康监测的机器学习框架
[37] Drakoulas，G.I。；戈尔萨斯，电视。；Bourantas，G.C.，FastSVD-ML-ROM：一种基于机器学习的实时应用降阶建模框架。计算。方法应用。机械。工程（2023）
[38] Bhosekar，A。；Ierepatritou，M.，《基于代理的建模、可行性分析和优化进展：综述》。计算。化学。工程，250-267（2018）
[39] 苏德雷特，B。；马雷利，S。；Wiart，J.，《不确定性量化的替代模型：概述》，793-797
[40] 卢，Y。；王，B。；Zhao，Y.，基于深度学习的水力压裂几何预测的Physics-informed代理建模。能源（2022年）
[41] An，J。；尹，X。；Chen，R.，基于线粒体和核数据的Orbioninae亚科综合分类（甲壳纲：等足目），有证据支持Epicaridea为亚目。分子系统学。进化。(2023)
[42] Araújo，E.F。；吉马雷斯，L.N.F.，美国空间核电力系统。J.航空公司。Technol公司。管理。，10 (2018)
[43] Voss，S.S.，TOPAZ II设计演变，791-802，（1）
[44] 宋，X。；Sun，G。；Li，G.，使用多个代理模型对泡沫填充锥形薄壁结构的耐撞性优化。结构。多磁盘。最佳。，221-231 (2013) ·Zbl 1274.74293号
[45] 演示，N。；特泽勒，M。；Rozza，G.，《降阶建模中残差学习的DeepONet多保真度方法》（2023），https://doi.org/10.1186/s40323-023-00249-9
[46] Raissi先生。；佩迪卡里斯，P。；Karniadakis，G.E.，《基于物理的神经网络：用于解决涉及非线性偏微分方程的正问题和逆问题的深度学习框架》。J.计算。物理。，686-707 (2019) ·Zbl 1415.68175号
[47] 蔡，S。；毛，Z。；Wang，Z.，《流体力学物理信息神经网络（PINNs）：综述》。机械学报。Sinica，1727-1738年（2021年）
[48] 黄，B。；Wang，J.，《物理信息神经网络在电力系统中的应用——综述》。IEEE传输。电力系统。(2022)
[49] 吴，C。；朱，M。；Tan，Q.，《物理信息神经网络的非自适应和基于残差的自适应采样的综合研究》。计算。方法应用。机械。工程（2023）·Zbl 07644158号
[50] Yang，L。；X孟。；Karniadakis，G.E.，B-PINNs:带噪声数据的正向和反向PDE问题的贝叶斯物理信息神经网络。J.计算。物理学。（2021年）·Zbl 07508507号
[51] Yu，J。；Lu，L.等人。；Meng，X.，用于正向和反向PDE问题的梯度增强物理信息神经网络。计算。方法应用。机械。工程（2022）·Zbl 1507.65217号
[52] Kharazmi，E。；张，Z。；Karniadakis，G.E.，hp-VPINNs:具有区域分解的变分物理信息神经网络。计算。方法应用。机械。工程（2021）
[53] Ishitsuka，K。；Lin，W.，用于自然状态地热系统逆建模的Physics-informed神经网络。申请。能源（2023年）
[54] 雅格塔普，A.D。；Karniadakis，G.E.，2002-2041年
[55] 尹，M。；郑，X。；Humphrey，J.D.，利用物理信息神经网络对血栓材料特性进行非侵入性推断。计算。方法应用。机械。工程（2021）·Zbl 1506.74215号
[56] Lu，L.等人。；Jin，P.等人。；Pang，G.，基于算子的泛逼近定理，通过DeepONet学习非线性算子。自然马赫数。智力。，3, 218-229 (2021)
[57] Lu，L.等人。；Jin，P。；Karniadakis，G.E.，Deeponet：基于算子的普遍逼近定理学习用于识别微分方程的非线性算子（2019），arXiv预印本arXiv:1910.03193
[58] Goswami，S。；尹，M。；Yu，Y.，一个基于物理学的变分DeepONet，用于预测准脆性材料中的裂纹路径。计算。方法应用。机械。工程（2022）·Zbl 1507.74383号
[59] Lu，L.等人。；佩斯托里，R。；Johnson，S.G.，高效学习偏微分方程的多保真深度神经运算符，应用于纳米级热传输的快速逆向设计。物理学。修订稿，2（2022年）
[60] Lu，L.等人。；Jin，P。；Pang，G.，基于算子的泛逼近定理，通过DeepONet学习非线性算子。自然马赫数。智力。，3, 218-229 (2021)
[61] 加格，S。；古普塔，H。；Chakraborty，S.，《随机载荷下动力系统依赖时间可靠性分析的DeepONet评估》。工程结构。(2022)
[62] 朱，M。；张，H。；Jiao，A.，通过物理或稀疏观测信息对深层神经算子进行可靠推断。计算。方法应用。机械。工程师（2023）·Zbl 07692973号
[63] Wu，W。；Peng，M.，一种结合K均值聚类和bagging神经网络的数据挖掘方法，用于短期风电预测。IEEE Internet Things J.，4979-986（2017）
[64] 曹，X。；刘，Y。；Wang，J.，基于K-均值聚类和门控递归单元神经网络的池塘养殖水中溶解氧预测。水产。工程（2020）
[65] Schapire，R.E.，助推简介。Ijcai，999，1401-1406（1999）
[66] Dudoit，S。；Fridly，J.，Bagging，以提高聚类过程的准确性。生物信息学，9，1090-1099（2003）
[67] 马萨诸塞州。；易卜拉欣普尔，R.，《专家混合：文献调查》。Artif公司。智力。版本275-293（2014）
[68] 李，P。；Wei，C.，一种基于DS证据理论的概率语言术语集应急决策方法。《国际灾害风险纾解》。(2019)
[69] He，J。；邱，J。；Zeng，A.，Fastmoe:快速混合专家培训系统（2021），arXiv预印本arXiv:2103.13262
[70] 赵，Y。；郑庚。；Mukherjee，S.，Admoe：由来自嘈杂标签的专家混合进行异常检测。程序。AAAI Conf.Artif.公司。智力。，4, 4937-4945 (2023)
[71] Hochreiter，S。；Schmidhuber，J.，《长期短期记忆》。神经计算。，8, 1735-1780 (1997)
[72] S.Mannor，D.Peleg，R.Rubinstein，分类的交叉熵方法，载于：《第22届国际机器学习大会论文集》，2005年，第561-568页。
[73] Dolean，V。；Jolivet，P。；Nataf，F.，《区域分解方法导论：算法、理论和并行实现》（2015），工业和应用数学学会·Zbl 1364.65277号
[74] Keough，S.，《优化开放式泡沫模拟的并行化》（2014），国防科技组织渔民湾（澳大利亚）海事处
[75] 托瓦拉，M。；Schanen，M。；Naumann，U.，MPI并行离散伴随OpenFOAM。Procedia计算。科学。，19-28 (2015)
[76] 加布里埃尔，E。；Fagg，G.E。；Bosilca，G.，《开放MPI：下一代MPI实现的目标、概念和设计》，97-104
[77] N.Hjelm，《开放式mpi单边表现评估》，载《第23届欧洲mpi用户小组会议记录》，2016年，第184-187页。
[78] 约翰逊，R.A。；摩根·W·T。；Rocklin，S.R.，空间第一个反应堆SNAP 10A的设计、地面试验和飞行试验。编号。工程设计。，1, 7-21 (1967)
[79] 朱，E。；王，Z。；Ma，J.，基于耦合分析的空间热离子反应器瞬态多物理特性。编号。工程设计。(2023)
[80] 马，Q。；Sun，P。；Wei，X.，空间热离子核反应堆动力学模型构建。申请。热量。工程（2022）
[81] 萧，W。；李，X。；Li，P.，先进热管反应器的高精度多物理耦合研究。计算。物理学。通信（2022）·Zbl 1523.81203号
[82] Cho，K。；梅里恩博尔，B.Van。；Gulcehre，C.，《使用RNN编码器-解码器进行统计机器翻译的学习短语表示法》（2014），arXiv预印本arXiv:1406.1078
[83] 宋，H。；宋，M。；Liu，X.，使用机器学习在线自动校准数字双胞胎，并将其应用于核电厂。申请。能源（2022年）
[84] Zohdi，T.I.，用于快速大规模太阳能热能系统设计的机器学习数字孪生。计算。方法应用。机械。工程（2023）·Zbl 07692966号
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。