مدلسازی هوشمند جریان کانال آشفته بر پایه داده های شبیه سازی عددی مستقیم

Abstract

<strong>در این پژوهش با عنایت به توانایی شبکه­ عصبی مصنوعی در مدلسازی سیستمهای به شدت غیر خطی، مدل هوشمند آشفتگی برای پیش بینی جریان کانال ارائه گردید. تحلیل جریان در کانال بر اساس روش شبیه­سازی مستقیم معروف به </strong>DNS<strong> به روش شبه طیفی τ صورت گرفته است. مطالعه عددی شبیه­سازی مستقیم در میدان جریان به ابعاد</strong> <strong> در شبکه ای از نقاط 32×65×64 و عدد رینولدز اصطکاکی </strong>Re_τ=175<strong> تحلیل و ارائه گردیده است. بدین ترتیب آموزش شبکه عصبی با روش پس انتشار خطا با الگوریتم لونبرگ- مارکواردت با مجموعه داده های بدست آمده از حل</strong>DNS <strong> با استفاده از دو رویکرد جدید در تعیین تعداد نرونهای لایه پنهان و آموزش چند منظوره برای تحلیل همزمان المانهای بردار سرعت میدان جریان با دستیابی به کارایی 0005/0 و ضریب همبستگی در حدود 98% صورت پذیرفت. با توجه به تردیدهای موجود در دقت اندازه گیری میدان جریان مجاورت جداره در کانال، مدلسازی هوشمند این بخش از جریان با آموزش 20480 نمونه، جداگانه در طول گامهای زمانی انجام پذیرفت. نتایج حاصل از آموزش شبکه و تحلیل توزیع سرعت جریان آشفته در حالات مختلف بیانگر این مساله است که شبکه­ عصبی مصنوعی نیز همانند روشهای معمول تجربی و عددی دینامیک سیالاتی قابلیت مدلسازی جریانهای آشفته را بخوبی دارا می باشد.</strong>