Home石神 彻
大学院先进理工系科学研究科 化学工学プログラム
E-mail: ishigami_at_hiroshima-u.ac.jp (注: _at_は半角@に置き換えてください)
本研究成果のポイント
〇畳み込みニューラルネットワーク（颁狈狈）を代理モデルとした机械学习により、エアフィルター微细构造内の流れ场およびサブミクロン粒子の挙动を予测した。
〇颁狈狈に用いる训练データセットに、数値流体力学（颁贵顿）シミュレーションにより得られた流れ场のパラメータを用いた。
〇颁狈狈により予测された流れ场は、颁贵顿シミュレーションによる计算値と良好に一致した。また、计算时间は约1/1000倍に短缩された。
〇颁狈狈により予测された流れ场を分散相モデル（顿笔惭）に连成することで、サブミクロン粒子のフィルター内挙动も计算することができた。
概 要
繊维状フィルターは、惯性衝突、さえぎり、ブラウン拡散、および重力などの様々な机构によって粒子を捕集する集じん装置である。エアロゾル粒子に対する捕集率の古典的理论が提案されているが、多种多様な异なる繊维形状と配置からなる现実的なフィルターの性能解析や构造最适化には、流体-粒子ダイナミクスの详细を予测するための高解像度の数値シミュレーションが必要である。しかしながら、このような数値流体力学（颁贵顿）シミュレーションの计算负荷は高く、计算时间が非常にかかる欠点があった。本研究は、このような欠点を克服するために、机械学习を応用するものである。
本研究では、画像认识等で使用されている畳み込みニューラルネットワーク（颁狈狈）を代理モデルとして用いた。颁狈狈の训练データセットには、繊维配置や繊维形状を変化させて実施した颁贵顿シミュレーションの计算结果を用いた。颁狈狈により予测された繊维群周りの速度场や圧力场は、同条件で実施した颁贵顿シミュレーションと良好に一致することがわかった。また、その计算时间は颁贵顿シミュレーションより约1/1000倍に短缩された。
CNNにより得られた流れ場を分散相モデル（DPM）に連成することで、サブミクロン粒子のフィルター内挙動の計算を行った。従来のCFD-DPM法によって得られたフィルターの捕集率を比較すると、0.3 μmより小さな粒子では若干過大評価する傾向が見られたものの、概ね良好な一致が得られたことから、本研究で開発した手法は繊維状フィルターの設計や最適化の目的に適していることが示された。
论文情报
Shirzadi, M., T. Fukasawa, K. Fukui, T. Ishigami : "Application of Deep Learning Neural Networks for the Analysis of Fluid-Particle Dynamics in Fibrous Filters" Chemical Engineering Journal, 455, 140775 (2023). https://doi.org/10.1016/j.cej.2022.140775
Shirzadi, M., T. Fukasawa, K. Fukui, T. Ishigami : "Prediction of Submicron Particle Dynamics in Fibrous Filter Using Deep Convolutional Neural Networks" Physics of Fluids, 34, 123303 (2022). https://doi.org/10.1063/5.0127325
【お问合せ先】
