Direct nanofluids configuration optimization based on the evolutionary topology optimization method

Bai, Chao; Zhang, Guanmin; Yan, Qiu; Leng, Xigang; Mao-cheng, Tian

doi:10.1016/j.ijheatmasstransfer.2017.09.135

Cited by 5 publications

(3 citation statements)

References 22 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…18,19 Due to the high-dimensional nature of the relevant search spaces, which in principle includes all possible configurations of the nanoparticles, experimental screening of candidate microstructures is often practically intractable. An attractive alternative is to solve for the microstructures using a topology optimization algorithm [20][21][22][23] that leverages structure-property predictions from a computationally tractable surrogate model.…”

Section: Introductionmentioning

confidence: 99%

Prediction and Optimization of Ion Transport Characteristics in Nanoparticle-Based Electrolytes Using Convolutional Neural Networks

Kadulkar¹,

Howard²,

Truskett³

et al. 2021

Preprint

View full text Add to dashboard Cite

<pre>We develop a convolutional neural network (CNN) model to predict the diffusivity of cations in nanoparticle-based electrolytes, and use it to identify the characteristics of morphologies which exhibit optimal transport properties. The ground truth data is obtained from kinetic Monte Carlo (kMC) simulations of cation transport parameterized using a multiscale modeling strategy. We implement deep learning approaches to quantitatively link the diffusivity of cations to the spatial arrangement of the nanoparticles. We then integrate the trained CNN model with a topology optimization algorithm for accelerated discovery of nanoparticle morphologies that exhibit optimal cation diffusivities at a specified nanoparticle loading, and we investigate the ability of the CNN model to quantitatively account for the influence of interparticle spatial correlations on cation diffusivity. Finally, using data-driven approaches, we explore how simple descriptors of nanoparticle morphology correlate with cation diffusivity, thus providing a physical rationale for the observed optimal microstructures. The results of this study highlight the capability of CNNs to serve as surrogate models for structure--property relationships in composites with monodisperse spherical particles, which can in turn be used with inverse methods to discover morphologies that produce optimal target properties.</pre>

show abstract

Section: Introductionmentioning

confidence: 99%

Prediction and Optimization of Ion Transport Characteristics in Nanoparticle-Based Electrolytes Using Convolutional Neural Networks

Kadulkar¹,

Howard²,

Truskett³

et al. 2021

Preprint

View full text Add to dashboard Cite

show abstract

“…Knowledge of such microstructures could provide new mechanistic insights and in addition facilitate discovery of nanoparticle interactions that are most promising for experimental realization of the microstructures by using inverse methods. , Because of the high-dimensional nature of the relevant search spaces, which in principle includes all possible configurations of the nanoparticles, experimental screening of candidate microstructures is often practically intractable. An attractive alternative is to solve for the microstructures by using a topology optimization algorithm − that leverages structure–property predictions from a computationally tractable surrogate model.…”

Section: Introductionmentioning

confidence: 99%

Prediction and Optimization of Ion Transport Characteristics in Nanoparticle-Based Electrolytes Using Convolutional Neural Networks

et al. 2021

View full text Add to dashboard Cite

We develop a convolutional neural network (CNN) model to predict the diffusivity of cations in nanoparticle-based electrolytes, and use it to identify the characteristics of morphologies which exhibit optimal transport properties. The ground truth data is obtained from kinetic Monte Carlo (kMC) simulations of cation transport parameterized using a multiscale modeling strategy. We implement deep learning approaches to quantitatively link the diffusivity of cations to the spatial arrangement of the nanoparticles. We then integrate the trained CNN model with a topology optimization algorithm for accelerated discovery of nanoparticle morphologies that exhibit optimal cation diffusivities at a specified nanoparticle loading, and we investigate the ability of the CNN model to quantitatively account for the influence of interparticle spatial correlations on cation diffusivity. Finally, using data-driven approaches, we explore how simple descriptors of nanoparticle morphology correlate with cation diffusivity, thus providing a physical rationale for the observed optimal microstructures. The results of this study highlight the capability of CNNs to serve as surrogate models for structure--property relationships in composites with monodisperse spherical particles, which can in turn be used with inverse methods to discover morphologies that produce optimal target properties. File list (2)download file view on ChemRxiv Prediction and optimization of ion transport characteristics ... (5.51 MiB) download file view on ChemRxiv Supplementary Information.pdf (2.33 MiB)

show abstract

“…Também é notado que os testes do tubo em curva foram realizados com diferentes Reynolds, e conforme o número aumenta a geometria otimizada muda de um canal relativamente reto para um canal em curva. Bai et al (2018) aplicam um algoritmo evolutivo de otimização topológica para otimizar a disposição de nanopartículas presentes em um nanofluido. Baseando-se em trabalhos passados é possível notar que o desempenho de um sistema pode ser melhorado de acordo com a maneira que nanopartículas são distribuídas no interior de nanofluidos.…”

Section: Otimização Topológicaunclassified

Otimização topológica de perda de carga utilizando CFD

Machado¹

View full text Add to dashboard Cite

Aos meus pais Valdete Lopes dos Santos e Joel Bonfim Nogueira, por me proporcionarem as melhores condições para que eu pudesse me dedicar exclusivamente aos meus estudos. À minha namorada Ailyn de Oliveira Vilela, por estar sempre ao meu lado e me fazer acreditar que tudo é possível, e por me fazer mais feliz independente das saudades e das distâncias. À Universidade Estadual de Campinas (UNICAMP) e à Faculdade de Engenharia Mecânica (FEM) pela oportunidade de me tornar mestre. Ao meu orientador Prof. Dr. Rogério Gonçalves dos Santos pela oportunidade, disponibilidade e incontáveis contribuições. Aos meus colegas do Departamento de Energia pela disposição e paciência em me ajudar com meus trabalhos e dúvidas. Aos amigos que fiz em Campinas, por serem meus companheiros nessa jornada difícil e muito, muito longe de casa. E aos amigos que estão distantes, dessa vez muitos deles para citar a todos, por ainda estarem presentes, apesar de distantes. Resumo No presente trabalho buscou-se simular e otimizar a geometria de canais para que o escoamento em regime laminar de fluído incompressível através deste tivesse menor perda de carga quando comparado a um canal não otimizado. Foram otimizadas três geometrias diferentes, com diferentes números de Reynolds, o degrau, o cotovelo e o cano duplo. Para simulação do escoamento foi utilizado um código CFD em linguagem Fortran que resolve as equações de Navier-Stokes em duas dimensões para fluidos newtonianos incompressíveis. O código utilizado trabalha com volumes finitos, o método UNIFAES e o acoplamento pressãovelocidade através da equação de Poisson. Ele está paralelizado por meio do uso de openmp. Aotimização foi realizada com uma técnica conhecida como otimização topológica, onde as características geométricas do canal são alteradas pela mudança na disposição do material que compõe o mesmo. No presente trabalho a otimização buscou eliminar as zonas de recirculação e estagnação do escoamento, assim reduzindo a perda de carga causada por estas. Diferentes geometrias foram simuladas a fim de encontrar geometrias otimizadas, e ao final do experimento os resultados de perda de carga foram analisados para checar sua concordância com resultados encontrados em literatura. Em alguns dos casos estudados a redução da perda de carga foi de mais de 90%.

show abstract

Direct nanofluids configuration optimization based on the evolutionary topology optimization method

Cited by 5 publications

References 22 publications

Prediction and Optimization of Ion Transport Characteristics in Nanoparticle-Based Electrolytes Using Convolutional Neural Networks

Prediction and Optimization of Ion Transport Characteristics in Nanoparticle-Based Electrolytes Using Convolutional Neural Networks

Prediction and Optimization of Ion Transport Characteristics in Nanoparticle-Based Electrolytes Using Convolutional Neural Networks

Otimização topológica de perda de carga utilizando CFD

Contact Info

Product

Resources

About