ipmash@ipme.ru | +7-812-321-47-78
пн-пт 10.00-17.00
Институт проблем машиноведения РАН ( ИПМаш РАН ) Институт проблем машиноведения РАН ( ИПМаш РАН )

МИНОБРНАУКИ РОССИИ
Федеральное государственное бюджетное учреждение науки
Институт проблем машиноведения Российской академии наук

МИНОБРНАУКИ РОССИИ
Федеральное государственное бюджетное учреждение науки
Институт проблем машиноведения Российской академии наук

Заседание 250 "Расчёт релаксационных членов в задачах поуровневой кинетики с помощью методов машинно

Дата и время проведения:
17:30
Адрес проведения:
Zoom https://us02web.zoom.us/j/81977225228?pwd=U1JEanFKNzZtT1dvUldGWG9IZWJ1QT09 Идентификатор конференции: 819 7722 5228 Код доступа: F4F7YL
Тема:
Расчёт релаксационных членов в задачах поуровневой кинетики с помощью методов машинного обучения
Повестка дня (вопросы мероприятия):

Заседание 250

ONLINE ZOOM

9 ноября 2021 г. в 17.30

М.А. Бушмакова (СПбГУ)

Расчёт релаксационных членов в задачах поуровневой кинетики с помощью методов машинного обучения

Релаксационные члены характеризуют изменение заселенностей колебательных уровней молекул и концентраций атомов в результате различных видов энергообмена и химических реакций. Они являются правыми частями системы дифференциальных уравнений для макроскопических параметров газа, описывающих течения многокомпонентных реагирующих смесей газов в условиях сильной колебательной и химической неравновесности. Обычные методы вычисления релаксационных членов являются вычислительно трудоемкими, поскольку они предполагают многократное суммирование, а также вычисление большого числа коэффициентов скорости переходов колебательной энергии и химических реакций. В этой работе оценивается возможность оценки релаксационных членов методами машинного обучения и сравнивается эффективность двух моделей, обученных на выборках, посчитанных с помощью методов SSH и FHO, для случая релаксации VT и VV в смеси O2-O. Затем решение нульмерной задачи, полученное с помощью алгоритмов ML, сравнивается с решением с помощью методов SSH и FHO. Показано, что алгоритм k-ближайших соседей обеспечивает наилучшее соотношение точность/эффективность и может быть рекомендован для дальнейших исследований. Кроме того, используя алгоритмы машинного обучения, можно уменьшить время вычислений.

Мария Андреевна Бушмакова – студентка магистратуры кафедры гидроаэромеханики математико-механического факультета Санкт-Петербургского государственного университета. Научный руководитель - проф. Е.В. Кустова.

Докладчик
Фамилия докладчика М.А. Бушмакова (СПбГУ)
13:05
Используя этот сайт, вы соглашаетесь с тем, что мы используем файлы cookie.