Искусственный интеллект в инженерной термодинамике: методика обучения студентов нейросетевым методам решения задач тепломассообмена

УДК 37.09:536-042.4:004.8
DOI 10.20339/AM.07-26.054

Л.В. Быков,

канд. техн. наук, доцент

e-mail: bykovlvl@mail.ru

Московский авиационный институт (НИУ)

А.М. Молчанов,

доктор. техн. наук, профессор

e-mail: alexmol_2000@mail.ru

Московский авиационный институт (НИУ)

В статье представлена методика обучения студентов, как применять нейросетевые методы для решения задач тепломассообмена в рамках курса инженерной термодинамики. Акцент сделан на интеграции физического содержания и цифровых инструментов: студенты последовательно проходят этапы постановки физической задачи, генерации синтетических данных и построения нейросетевой модели. В качестве ключевого учебного примера используется обратная задача спектральной диагностики параметров горения по инфракрасному излучению газового потока. Рассматривается архитектура многослойного перцептрона (MLP) как эффективного инструмента для быстрого и точного восстановления температуры и концентраций излучающих компонентов. Приведенная методика позволяет преодолеть восприятие искусственного интеллекта как «черного ящика» и формирует у студентов целостное понимание синергии классических физических моделей и современных вычислительных подходов. Апробация методики в магистратуре показала рост мотивации, развитие цифровых компетенций и углубление понимания обратных задач.

Ключевые слова: искусственный интеллект, машинное обучение, инженерная термодинамика, теплообмен, спектральная диагностика, многослойный перцептрон, методика преподавания

Литература

1. Pope, S.B. Turbulent Flows. Cambridge University Press, 2000.
2. Wilcox, D.C. Turbulence Modeling for CFD. DCW Industries, 2006.
3. Lagaris, I.E., Likas, A., Fotiadis, D.I. Artificial neural networks for solving ordinary and partial differential equations. IEEE Transactions on Neural Networks. 1998. Vol. 9 (5). Pp. 987–1000.
4. Duraisamy, K., Zhang, Z.J., Singh, A.P. New approaches in turbulence and transition modeling using data-driven techniques. AIAA Paper. 2015. Vol. 1284.
5. Ling, J., Kurzawski, A., Templeton, J. Reynolds averaged turbulence modelling using deep neural networks with embedded invariance. Journal of Fluid Mechanics. 2016. Vol. 807. Pp. 155–166.
6. Петрунин А.П., Смирнов Н.Н. Применение нейросетевых моделей для замыкания уравнений переноса в турбулентных течениях // Математическое моделирование. 2020. Т. 32 (5). С. 45–60.
7. François, G., et al. Neural network approach for solving radiative transfer problems. Numerical Heat Transfer, Part B: Fundamentals. 2008. Vol. 53 (3). Pp. 213–229.
8. Modest, M.F., et al. Machine learning in radiative heat transfer. Annual Review of Heat Transfer. 2020. Vol. 23. Pp. 345–387.
9. Blaythoff, A., et al. Deep neural network based chemical mechanism reduction. Proceedings of the Combustion Institute. 2019. Vol. 37 (1). Pp. 651–659.
10. Аристархов В.М. и др. Нейросетевые методы в кинетическом моделировании сложных химических реакций // Химическая физика. 2021. Т. 40 (2). С. 25–35.
11. Rothman, L.S., et al. The HITRAN molecular spectroscopic database. Journal of Quantitative Spectroscopy and Radiative Transfer. 2013. Vol. 130. Pp. 4–50.
12. Zwiefhofer, M., et al. Temperature and concentration measurements in combustion gases using FTIR spectroscopy and artificial neural networks. Applied Optics. 2005. Vol. 44 (5). Pp. 678–686.
13. Tan, S., et al. Deep neural networks for multi-parameter combustion diagnostics. Combustion and Flame. 2022. Vol. 235. Pp. 111–125.