Using an encoder-decoder convolutional neural network to predict the solid holdup patterns in a pseudo-2d fluidized bed

H. Bazai, E. Kargar, M. Mehrabi*

*Tämän työn vastaava kirjoittaja

Tutkimustuotos: LehtiartikkeliArticleScientificvertaisarvioitu

Abstrakti

In this paper, the capability of combined use of computational fluid dynamics (CFD) and data-based deep learning to predict fluidized beds' complex behavior without solving transport equations is being examined. A convolutional neural network (CNN) is trained to anticipate fluidized bed volume fraction contours based on the numerical simulations' results and data-based machine learning. The trained CNN receives the first ten frames from the CFD as input and predicts the next frame. This process continues until all the required frames are obtained. The results show CNN's superior spatial learning capability and how its combination with CFD can reduce the required computational power without compromising accuracy.
AlkuperäiskieliEnglanti
Artikkeli116886
Sivumäärä7
JulkaisuChemical Engineering Science
Vuosikerta246
Varhainen verkossa julkaisun päivämäärä24 kesäkuuta 2021
DOI - pysyväislinkit
TilaJulkaistu - 31 joulukuuta 2021
OKM-julkaisutyyppiA1 Julkaistu artikkeli, soviteltu

Sormenjälki

Sukella tutkimusaiheisiin 'Using an encoder-decoder convolutional neural network to predict the solid holdup patterns in a pseudo-2d fluidized bed'. Ne muodostavat yhdessä ainutlaatuisen sormenjäljen.

Siteeraa tätä