Adaptive fractional neural algorithm for modeling heat-and-mass transfer

Abstract

Запропоновано фракційну нейронну мережу із адаптивним темпом навчання для моделювання динаміки неізотермічного тепло- та масоперенесення в капілярно-пористих матеріалах з урахуванням ефекту пам’яті та просторової нелокальності. Використано архітектуру нейронної мережі з роз’єднаною структурою, яка ґрунтується на функціях втрат, що враховують фізичні особливості досліджуваного процесу. Для навчання мережі використано поетапний підхід, що дало змогу зменшити чутливість до помилок та збоїв. Досліджено структуру мережі, оптимізовано її параметри, а також вибрано відповідні активаційні функції та методи регуляризації з метою досягнення високої точності та достовірності результатів моделюванняA fractional neural network with an adaptive learning rate has been proposed for modeling the dynamics of non-isothermal heat and mass transfer in capillary-porous materials, taking into account the memory effect and spatial nonlocality. The proposed approach employs a decoupled neural network architecture based on loss functions that reflect the physical characteristics of the investigated process. A stepwise training method is utilized to reduce sensitivity to errors and disruptions. The network structure has been analyzed, its parameters optimized, and appropriate activation functions and regularization methods selected to achieve high accuracy and reliability in modeling results.