ガス-固体二相流の粒子濃度予測における深層学習の応用

粒子濃度はガス-固体二相流の状態を記述するための重要なパラメータです。本研究では、バックプロパゲーションニューラルネットワーク（BPNN）、リカレントニューラルネットワーク（RNN）、および長短期記憶（LSTM）の3つの手法がガス-固体二相流データを扱う際の性能を比較しました。実験では、温度、湿度、上流および下流のセンサー信号、遅延、圧力差、粒子濃度を含む7つのパラメータをデータセットとして使用しました。評価指標として予測精度が用いられ、比較分析が行われました。実験結果は、RNN、LSTM、BPNNの各実験の予測精度がそれぞれ92.4%、92.7%、92.5%であったことを示しています。将来の研究では、BPNN、RNN、LSTMの性能をさらに最適化し、ガス-固体二相流データ処理の精度と効率を向上させることに焦点を当てることができます。