Восстановление модели теплового процесса по зашумленным данным
Российский научный фонд (РНФ), 21-11-00296
Андреева Т.А.
1, Быков Н.Ю.
1,2, Климова А.К.
2, Лукин А.Я.
11Санкт-Петербургский политехнический университет Петра Великого, Санкт-Петербург, Россия
2Университет ИТМО, Санкт-Петербург, Россия
Email: andreeva_ta@spbstu.ru, nbykov2006@yandex.ru, sashkaklimova1997@gmail.com, lukin_aya@spbstu.ru
Поступила в редакцию: 11 апреля 2023 г.
В окончательной редакции: 25 мая 2023 г.
Принята к печати: 25 мая 2023 г.
Выставление онлайн: 10 июля 2023 г.
Предложена модификация алгоритма генеративного дизайна модели в виде дифференциального уравнения в частных производных для работы с зашумленными данными. С использованием алгоритма выполнено восстановление модели процесса тепломассопереноса по синтетическим данным, полученным методами математического моделирования, и оригинальным экспериментальным данным о нагреве среды затопленным источником тепла. Определены теплофизические параметры среды, показана возможность использования алгоритмадля индикации процесса конвекции на основе данных о пространственно-временном распределении температуры. Ключевые слова: метод генеративного дизайна, управляемая данными модель, уравнение теплопроводности, конвекция.
- А.А. Самарский, П.Н. Вабищевич, Вычислительная теплопередача (Едиториал УРСС, М., 2003). [A.A. Samarskii, P.N. Vabishevich, Computational heat transfer (Willey, Chichester, 1995).]
- А.О. Ватульян, Коэффициентные обратные задачи механики (Физматлит, М., 2019)
- Н.Ю. Быков, А.А. Хватов, А.В. Калюжная, А.В. Бухановский, Письма в ЖТФ, 47 (24), 9 (2021). DOI: 10.21883/PJTF.2021.24.51790.18967 [N.Y. Bykov, A.A. Hvatov, A.V. Kalyuzhnaya, A.V. Boukhanovsky, Tech. Phys. Lett., 48 (15), 50 (2022). DOI: 10.21883/TPL.2022.15.55281.18967]
- А.В. Лыков, Теория теплопроводности(Высш. шк., М., 1967)
- А.И. Жмакин, ЖТФ, 91 (1), 5 (2021). DOI: 10.21883/JTF.2021.01.50267.207-20 [A.I. Zhmakin, Tech. Phys., 66 (1), 1 (2021). DOI: 10.1134/S1063784221010242]
- F. Hutter, L. Kotthoff, J. Vanschoren, Automated machine learning. Methods, systems, challenges (Springer, Cham, Switzerland, 2019). DOI: 10.1007/978-3-030-05318-5
- Н.Ю. Быков, Науч.-техн. ведомости СПбГПУ. Физ.-мат. науки, 15 (3), 83 (2022). DOI: 10.18721/JPM.15307
- Г. Джеймс, Д. Уиттон, Т. Хасти, Р. Тибширани, Введение в статистическое обучение с примерами на языке R (ДМК Пресс, М., 2017). [G. James, D. Witten, T. Hastie, R. Tibshirani, An introduction to statistical learning: with applications in R (Springer, N.Y., 2013). DOI: 10.1007/978-1-4614-7138-7]
- Б.Г. Манухин, М.Е. Гусев, Д.А. Кучер, С.А. Чивилихин, О.В. Андреева, Оптика и спектроскопия, 119 (3), 418 (2015). [B.G. Manukhin, M.E. Gusev, D.A. Kucher, S.A. Chivilikhin, O.V. Andreeva, Opt. Spectrosc., 119 (3), 392 (2015). DOI: 10.1134/S0030400X15090180]
- Н.Б. Варгафтик, Справочник по теплофизическим свойствам газов и жидкостей (Наука, М., 1972). [N.B. Vargaftik, Handbook of physical properties of liquids and gases (Springer, Berlin-Heidelberg, 1975)
- В.А. Рабинович, З.Я. Хавин, Краткий химический справочник (Химия, Л., 1972)
- Физические величины: справочник, под ред. И.С. Григорьева, Е.З. Мейлихова (Энергоатомиздат, М., 1991)
- M.B. Priestley, Spectral analysis and time series (Academic Press, London, 1981).
Подсчитывается количество просмотров абстрактов ("html" на диаграммах) и полных версий статей ("pdf"). Просмотры с одинаковых IP-адресов засчитываются, если происходят с интервалом не менее 2-х часов.
Дата начала обработки статистических данных - 27 января 2016 г.
