传热流动系统的设计优化对系统性能和能效的提升具有关键意义。然而，随着系统结构的复杂化，基于传统数值计算方法的性能评估面临着计算资源要求高和计算时间长的挑战，已难以满足工业生产中快速设计优化的需求。因此，本书以提高传热流动模式预测的准确性和高效性为目标，总结了作者和科研团队近年来利用深度学习和大数据理论开展传热流动预测研究的成果。这些研究成果为传热流动系统的快速优化设计提供了重要支撑，具有重要的工程意义。
样章试读
目录
- 目录
前言
第1章 绪论 1
1.1 传热流动降阶模型的研究背景和意义 1
1.2 深度学习 3
1.2.1 简介 3
1.2.2 研究现状 3
1.3 传热流动降阶模型国内外研究现状 6
1.3.1 传统传热流动降阶模型 6
1.3.2 基于人工智能算法的传热流动降阶模型 9
1.4 本章小结 14
参考文献 14
第2章 基础理论 21
2.1 传热流动的基础理论 21
2.1.1 数值计算基础 21
2.1.2 传热流动物理模型 26
2.2 深度学习的基础理论 28
2.2.1 深度学习模型和技术 28
2.2.2 数据集预处理 39
2.2.3 深度学习优化算法 41
2.2.4 深度学习模型评价准则 42
2.3 本章小结 43
参考文献 43
第3章 基于卷积神经网络的特征自适应传热流动预测模型 45
3.1 引言 45
3.2 特征自适应模型的背景与挑战 45
3.2.1 研究特征自适应模型的必要性 45
3.2.2 特征自适应模型的关键要素 46
3.3 案例分析1——基于卷积神经网络的几何自适应稳态传热降阶建模 47
3.3.1 案例说明 47
3.3.2 训练数据集的生成和预处理 48
3.3.3 降阶模型的构建与训练 51
3.3.4 预测结果与分析 53
3.3.5 降阶模型超参数分析 61
3.4 案例分析 2——基于卷积神经网络的特征自适应瞬态流场降阶建模 64
3.4.1 案例说明 64
3.4.2 训练数据集的生成和预处理 65
3.4.3 降阶模型的构建与训练 69
3.4.4 预测结果与分析 70
3.4.5 全连接网络与卷积网络构建降阶模型对比 80
3.5 本章小结 82
参考文献 83
第4章 迁移方法对卷积神经网络的新任务学习和预测性能增强 84
4.1 引言 84
4.2 常见迁移学习及应用 85
4.2.1 常见的迁移学习 85
4.2.2 迁移学习的应用 88
4.3 案例分析——迁移学习增强的卷积神经网络多芯片模块传热降阶建模 88
4.3.1 案例说明 88
4.3.2 训练数据集的生成和预处理 89
4.3.3 降阶模型的构建与训练 90
4.3.4 预测结果与分析 92
4.3.5 迁移学习与传统卷积神经网络的性能对比 95
4.4 本章小结 99
参考文献 99
第5章 Transformer架构对卷积神经网络的学习和预测性能增强 101
5.1 引言 101
5.2 常见Transformer架构及应用 101
5.2.1 Transformer模型 101
5.2.2 Vision Transformer模型 104
5.2.3 Swin Transformer模型 104
5.2.4 Transformer模型的应用 105
5.3 案例分析——注意力机制增强的卷积神经网络翅片太阳能集热管传热降阶建模 106
5.3.1 案例说明 106
5.3.2 训练数据集的生成和预处理 106
5.3.3 降阶模型的构建与训练 108
5.3.4 预测结果与分析 110
5.3.5 与传统卷积神经网络的性能对比 122
5.4 本章小结 123
参考文献 124
第6章 网格自适应的图卷积神经网络传热流动预测模型 126
6.1 引言 126
6.2 常见图神经网络及应用 126
6.2.1 常见的图神经网络 126
6.2.2 图神经网络的应用 129
6.3 图数据的生成 130
6.3.1 图的概念 130
6.3.2 图的存储结构 131
6.3.3 网格数据到图数据的转换 132
6.4 基于图卷积神经网络的网格自适应预测模型构建方法 136
6.4.1 针对几何自适应问题的基于卷积神经网络的预测模型结构设计 136
6.4.2 模型性能评估 138
6.5 案例分析 1——基于图卷积网络的环形热管自然对流降阶建模 139
6.5.1 案例说明 139
6.5.2 训练数据集的生成和预处理 139
6.5.3 预测结果与分析 141
6.5.4 不同降阶模型预测结果比较 144
6.6 案例分析 2——基于图卷积神经网络的通道内流动降阶建模 148
6.6.1 案例说明 148
6.6.2 训练数据集的生成和预处理 149
6.6.3 降阶模型的构建 150
6.6.4 预测结果与分析 151
6.7 本章小结 162
参考文献 162
第7章 物理嵌入方法对图卷积神经网络的学习和预测性能增强 164
7.1 引言 164
7.2 基于物理嵌入耦合图卷积神经网络的传热流动预测模型构建方法 164
7.2.1 物理嵌入耦合图卷积神经网络的预测模型结构设计 164
7.2.2 物理信息神经网络 166
7.3 案例分析 1——物理信息增强的图神经网络稳态热传导降阶建模 166
7.3.1 案例说明 166
7.3.2 训练数据与降阶模型构建 167
7.3.3 预测结果与分析 168
7.4 案例分析 2——物理信息增强的图神经网络强迫对流降阶建模 178
7.4.1 案例说明 178
7.4.2 训练数据与降阶模型构建 178
7.4.3 预测结果与分析 180
7.5 案例分析 3——物理信息增强的图神经网络自然对流降阶建模 191
7.5.1 案例说明 191
7.5.2 训练数据与降阶模型构建 191
7.5.3 预测结果与分析 192
7.5.4 对比纯数据驱动降阶模型 205
7.6 本章小结 207
参考文献 208
第8章 循环神经网络耦合图卷积神经网络的瞬态流动预测模型 209
8.1 引言 209
8.2 常见循环神经网络及应用 210
8.2.1 RNN的基本原理 210
8.2.2 RNN的基本应用 215
8.3 案例分析 1——循环神经网络耦合图卷积网络的圆柱绕流瞬态流动降阶建模 216
8.3.1 案例说明 216
8.3.2 训练数据集的生成和预处理 216
8.3.3 降阶模型的构建 219
8.3.4 预测结果与分析 222
8.3.5 SGCNN模型性能分析 228
8.4 案例分析 2——循环神经网络耦合图卷积网络的机翼绕流瞬态流动降阶建模 229
8.4.1 案例说明 229
8.4.2 训练数据集的生成和预处理 229
8.4.3 降阶模型的构建 230
8.4.4 预测结果与分析 233
8.5 本章小结 241
参考文献 241
京公网安备 11010102004214号