MARC

 008260126s2025        us                              c    eng  d
■001000017359791
■00520260202105214
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798291565360
■035    ▼a(MiAaPQ)AAI32271745
■035    ▼a(MiAaPQ)umichrackham006533
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a620
■1001  ▼aChen,  Zijie.
■24510▼aPhysics-Informed  and  Data-Driven  Modeling  for  Radiative  Transport  in  Particulate  Media
■260    ▼a[Sl]▼bUniversity  of  Michigan▼c2025
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2025
■300    ▼a186  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  87-03,  Section:  B.
■500    ▼aAdvisor:  Bala  Chandran,  Rohini.
■5021  ▼aThesis  (Ph.D.)--University  of  Michigan,  2025.
■520    ▼aRadiative  transport  in  particulate  media  plays  a  crucial  role  in  many  applications  ranging  from  high-temperature  (  600  °C)  solar  energy  and  thermal  technologies  to  spectrally  selective  materials  for  heating/cooling  applications.  However,  modeling  methods  for  radiative  transport  in  particulate  media  have  focused  on  static  media  such  as  packed  beds  and  foams,  and  there  has  been  limited  focus  on  extending  it  to  granular  flows.  Therefore,  the  main  objective  of  this  dissertation  is  to  combine  physics-informed  modeling  with  data-driven  techniques  to  integrate  radiative  transport  predictions  in  dynamic,  multiphase  flows  involving  solid  particles.To  enable  the  coupling  of  radiative  transport  with  particle  flows,  reduced-order  radiative  view  factor  correlations  are  developed,  where  the  view  factor  is  determined  as  a  function  of  dimensionless  distance,  viewing  angle,  and  number  of  shading  particles.  Training  data  is  obtained  from  physics-based  Monte  Carlo  ray  tracing  simulations  on  a  monodisperse,  packed  bed  with  a  wide  range  of  solid  volume  fractions  (0.016-0.45).  These  correlations  are  physically  interpretable  and  result  in  accurate  predictions.  They  are  powerful  as  they  help  obtain  particle-particle  and  particle-wall  view  factors  as  a  function  of  only  geometric  parameters,  which  facilitates  the  determination  of  radiative  fluxes  on  discrete  surfaces.  This  is  integrated  with  particle  flow  models  that  perform  Lagrangian  tracking  to  update  individual  particle  position,  velocity,  and  temperature.  Leveraging  open-source  software,  our  model  incorporates  short-range  and  long-range  radiative  interactions  between  grey  surfaces  in  addition  to  conductive  heat  transfer  pathways.  These  coupled  models  are  applied  to:  (i)  systematically  test  the  effect  of  solid  volume  fractions  in  a  plug  flow  of  particles;  and  (ii)  perform  extensive  parametric  explorations  to  inform  new  and  comprehensive  heat  transfer  correlations  for  dense  granular  flows  with  applications  in  particle-based  heat  exchangers.  These  discrete  flow  simulations  reveal  that  radiation  is  extremely  sensitive  to  solid  volume  fraction  as  it  contributes  90%  for  dilute  flows.  Our  correlation  notably  captures  the  effects  of  particle  size,  thermal  conductivity  and  solid  volume  fraction  while  existing  correlations  from  continuum  modeling  and/or  experiments  either  focus  on  channel  geometry  or  cannot  obtain  good  effective  properties  for  discrete  flow.  This  correlation  matches  well  with  reported  experimental  data  and  offers  a  versatile,  rapid  predictive  tool  to  develop  strategies  to  improve  thermal  performance.  For  instance,  by  shrinking  the  particle  size  by  about  two-thirds,  the  heat  transfer  coefficient  can  be  enhanced  from  300  to  400  W/m.
■520    ▼a2/K.Inverse  design  tools  have  been  developed  to  identify  new  potential  optical  properties  for  target  spectral  performance.  Assuming  a  packed  bed  of  particles,  synthetic  training  datasets  that  map  reflectance  as  a  function  of  wavelength  (0.2-14  μm),  material  morphology  (particle  size  and  solid  volume  fraction)  and  refractive  indices  are  generated  using  classical  electromagnetic  wave  and  ray  tracing  simulations.  To  facilitate  rapid  predictions  of  spectral  reflectance  and  extensive  parametric  explorations,  a  decision  tree  forward  model  is  developed,  which  achieves  high  accuracy  at  low  computational  cost.  Inverse  model  is  constructed  by  integrating  particle  swarm  optimization  and  decision  tree  model  while  offering  multiple  possible  solutions  of  complex  refractive  index  for  the  same  target.  This  inverse  model  has  been  proven  to  provide  non-uniqueness  and  non-linearity  mapping  from  spectral  reflectance  to  optical  properties  by  an  ideal  radiative  cooling  profile,  and  this  can  be  broadly  applied  to  other  spectral  designs  as  well.In  summary,  this  dissertation  develops  powerful  radiative  transport  modeling  tools  for  particulate  media  by  combining  high-fidelity  physics-based  simulations  with  interpretable  data-driven  techniques  while  striving  to  balance  accuracy  and  computational  efficiency.
■590    ▼aSchool  code:  0127.
■650  4▼aEngineering
■650  4▼aEnergy
■650  4▼aMechanical  engineering
■650  4▼aMaterials  science
■653    ▼aRadiative  transport
■653    ▼aParticulate  media
■653    ▼aData-driven  modeling
■653    ▼aTracing  simulations
■653    ▼aRadiative  fluxes
■690    ▼a0548
■690    ▼a0791
■690    ▼a0537
■690    ▼a0794
■71020▼aUniversity  of  Michigan▼bMechanical  Engineering.
■7730  ▼tDissertations  Abstracts  International▼g87-03B.
■790    ▼a0127
■791    ▼aPh.D.
■792    ▼a2025
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17359791▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

미리보기

내보내기

chatGPT토론

Ai 추천 관련 도서