Издательство СО РАН

Издательство СО РАН

Адрес Издательства СО РАН: Россия, 630090, а/я 187
Новосибирск, Морской пр., 2

soran2.gif

Baner_Nauka_Sibiri.jpg


Яндекс.Метрика

Array
(
    [SESS_AUTH] => Array
        (
            [POLICY] => Array
                (
                    [SESSION_TIMEOUT] => 24
                    [SESSION_IP_MASK] => 0.0.0.0
                    [MAX_STORE_NUM] => 10
                    [STORE_IP_MASK] => 0.0.0.0
                    [STORE_TIMEOUT] => 525600
                    [CHECKWORD_TIMEOUT] => 525600
                    [PASSWORD_LENGTH] => 6
                    [PASSWORD_UPPERCASE] => N
                    [PASSWORD_LOWERCASE] => N
                    [PASSWORD_DIGITS] => N
                    [PASSWORD_PUNCTUATION] => N
                    [LOGIN_ATTEMPTS] => 0
                    [PASSWORD_REQUIREMENTS] => Пароль должен быть не менее 6 символов длиной.
                )

        )

    [SESS_IP] => 44.197.238.222
    [SESS_TIME] => 1711699031
    [BX_SESSION_SIGN] => 9b3eeb12a31176bf2731c6c072271eb6
    [fixed_session_id] => 0dfa0907b0cbd00e55dd4be920514cd9
    [UNIQUE_KEY] => 69eba3ec71958f6f59374d742f7ddbce
    [BX_LOGIN_NEED_CAPTCHA_LOGIN] => Array
        (
            [LOGIN] => 
            [POLICY_ATTEMPTS] => 0
        )

)

Поиск по журналу

Автометрия

2022 год, номер 1

О ПРОГНОЗИРОВАНИИ КРИЗИСА ТЕПЛООТДАЧИ ПРИ КИПЕНИИ В КАНАЛАХ С ИСПОЛЬЗОВАНИЕМ АЛГОРИТМОВ МАШИННОГО ОБУЧЕНИЯ

С.С. Абдуракипов1, Н.В. Кирюхина2, Е.Б. Бутаков1
1Институт теплофизики СО РАН, Новосибирск, Россия
s.s.abdurakipov@gmail.com
2Калужский государственный университет им. К. Э. Циолковского, Калуга, Россия
natakir21@gmail.com
Ключевые слова: машинное обучение, кризисы теплоотдачи при кипении, кризис пузырькового кипения, критическая плотность теплового потока
Страницы: 119-131

Аннотация

Представлен сравнительный анализ различных алгоритмов машинного обучения для решения задачи прогнозирования кризиса теплоотдачи при кипении в двухфазных потоках внутри каналов различной геометрии. Рассмотрены двенадцать классических моделей регрессии, реализованных в библиотеках Scikit-learn, LightGBM, XGBoost, CatBoost, а также нейросетевые методы. Дано сравнение моделей между собой, а также с традиционными методиками прогнозирования, основанными на использовании скелетных таблиц, которые приближены к полуэмпирическим соотношениям и корреляционным формулам. Обсуждаются возможности гибридных моделей, совмещающих подход, который основан на знаниях из предметной области, с алгоритмами машинного обучения. Приведены результаты экспериментов с моделью, совмещающей в гибридной схеме регрессор CatBoost с одной из традиционных методик. Выявлено преимущество моделей машинного обучения перед традиционными подходами. Показано, что среди моделей машинного обучения ансамбли алгоритмов на основе градиентного бустинга достигают наилучших показателей по всем метрикам.

DOI: 10.15372/AUT20220113
Добавить в корзину
Товар добавлен в корзину