Artificial intelligence for simulation of soot deposits- from 2D to 3D estimates

Kód výsledku v IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F61388998%3A_____%2F25%3A00642327" target="_blank" >RIV/61388998:_____/25:00642327 - isvavai.cz</a>

Nalezeny alternativní kódy

RIV/60461373:22340/25:43933486

Výsledek na webu

<a href="https://tpfm.it.cas.cz/im/im/proceeding/2025/18" target="_blank" >https://tpfm.it.cas.cz/im/im/proceeding/2025/18</a>

DOI - Digital Object Identifier

<a href="http://dx.doi.org/10.14311/TPFM.2025.018" target="_blank" >10.14311/TPFM.2025.018</a>

Jazyk výsledku

angličtina

Název v původním jazyce

Artificial intelligence for simulation of soot deposits- from 2D to 3D estimates

Popis výsledku v původním jazyce

The accumulation of soot within the porous microstructure of catalytic filters (CFs) impacts the overall performance of the device, making the prediction of soot distribution a major challenge in the design of CFs. We previously developed a neural network that leverages convolutional autoencoders and fully-connected layers and demonstrated that this network can effectively estimate the distribution of deposited soot within two-dimensional model microstructures. In this contribution, we expand on the previously devised model, by exploring its possible extension to processing three-dimensional data from real-world catalytic filter microstructures. Specifically, we examine and compare three principally different approaches to generating three-dimensional estimates, spanning from a posteriori reconstructions to the application of fully three-dimensional convolutional networks.

Název v anglickém jazyce

Artificial intelligence for simulation of soot deposits- from 2D to 3D estimates

Popis výsledku anglicky

The accumulation of soot within the porous microstructure of catalytic filters (CFs) impacts the overall performance of the device, making the prediction of soot distribution a major challenge in the design of CFs. We previously developed a neural network that leverages convolutional autoencoders and fully-connected layers and demonstrated that this network can effectively estimate the distribution of deposited soot within two-dimensional model microstructures. In this contribution, we expand on the previously devised model, by exploring its possible extension to processing three-dimensional data from real-world catalytic filter microstructures. Specifically, we examine and compare three principally different approaches to generating three-dimensional estimates, spanning from a posteriori reconstructions to the application of fully three-dimensional convolutional networks.

Druh

D - Stať ve sborníku

CEP obor

—

OECD FORD obor

10102 - Applied mathematics

Projekt

<a href="/cs/project/EH23_020%2F0008501" target="_blank" >EH23_020/0008501: Metamateriály pro extrémně tepelně namáhané strojní součásti</a><br>

Návaznosti

I - Institucionalni podpora na dlouhodoby koncepcni rozvoj vyzkumne organizace

Rok uplatnění

2025

Kód důvěrnosti údajů

S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů

Název statě ve sborníku

Topical Problems of Fluid Mechanics 2025

ISBN

978-80-87012-05-5

ISSN

2336-5781

e-ISSN

—

Počet stran výsledku

8

Strana od-do

135-142

Název nakladatele

Ústav termomechaniky AV ČR v. v. i.

Místo vydání

Prague

Místo konání akce

Praha

Datum konání akce

12. 2. 2025

Typ akce podle státní příslušnosti

WRD - Celosvětová akce

Kód UT WoS článku

001597458700018