11:36
官方账号arXiv cs.LG@Haoze Zhang, Han Li, Ke Xiao, Yangchen Xu, Runze Mao, Zhi X. Chen
推荐理由：这篇论文用TAIR方法让神经网络学真实流体偏离理想气体的部分，超临界燃烧场景下误差降了数倍，做物理信息嵌入的可以看看。
超临界燃烧
共 1 条相关 AI 资讯
7月22日
11:36
该论文提出一种热力学启发的输入重参数化策略TAIR，用于超临界燃烧模拟中真实流体热力学性质的神经网络预测。TAIR将每个属性网络的原始焓坐标替换为目标匹配的热力学坐标：温度网络使用常cp理想气体混合物焓近似反推的温度估计，密度和压缩系数网络使用理想气体密度估计。在超临界甲烷-氧对冲火焰数据上，TAIR将温度T、密度ρ和压缩系数ψ的留出集RMSE分别降低约1.5、2.0和7.5倍。对于未见过的应变率火焰，对应因子达到3.6、14.5和6.0。目标不一致的交叉重参数化控制表现更差，证实增益来自热力学匹配的输入设计。