پیش بینی جریان در دیفیوزر نامتقارن دو بعدی توسط شبکه عصبی و مقایسه نتایج با سه مدل آشفتگی و داده های تجربی
سال انتشار: 1401
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 228
فایل این مقاله در 16 صفحه با فرمت PDF قابل دریافت می باشد
- صدور گواهی نمایه سازی
- من نویسنده این مقاله هستم
این مقاله در بخشهای موضوعی زیر دسته بندی شده است:
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
JR_JACSM-34-2_004
تاریخ نمایه سازی: 25 مهر 1401
چکیده مقاله:
در کار حاضر جریان آشفته در یک دیفیوزر دو بعدی نامتقارن مورد بررسی و مطالعه قرار گرفته است. در بسیاری از کاربردها، اطلاع از این که آیا لایه مرزی از سطح یا داخل یک جسم خاص جدا می شود و این که دقیقا جداسازی جریان در کجا رخ می دهد، از اهمیت خاصی برخوردار است. ترکیب داده های آشفتگی با هوش مصنوعی در حال حاضر یک موضوع تحقیقاتی فعال برای مطالعه آشفتگی است. در این مقاله پیش بینی جدایش جریان با وجود گرادیان فشار معکوس در دیفیوزر دوبعدی نامتقارن، با استفاده از سه مدل آشفتگی شامل مدل استاندارد k-e، مدل استاندارد k-w و مدل SST k-w و مدل هوشمند شبکه عصبی مصنوعی (ANN) مورد بررسی و مقایسه قرار گرفته است. برای شبیه سازی عددی و حل معادلات حاکم از نرم افزار فلوئنت استفاده شده است. نتایج در فواصل ۲۱، ۲۹، ۳۹ و ۴۹ سانتی متری از لبه دیفیوزر مورد تحلیل قرار گرفتند و با داده های تجربی مقایسه شدند. x و y/H هر نقطه به عنوان ورودی و U/U۰ سرعت در آن نقطه به عنوان خروجی شبکه عصبی درنظر گرفته شده است. شاخص های آماری RMSE, MBE, t-test برای نقاط موردنظر محاسبه و گزارش شده است. مدل شبکه مصنوعی نسبت به سه مدل آشفتگی، پیش بینی بهتری از جدایش جریان را نشان می دهد و مدل استاندارد k-e نسبت به مدلهای دیگر پیشبینی ضعیفتری را نشان می دهد. این تحقیق چشم انداز مدل سازی آشفتگی را با روش های یادگیری ماشین به خصوص شبکه عصبی نشان می دهد.
کلیدواژه ها:
نویسندگان
مصطفی زمانی محی آبادی
دانشکده مهندسی مکانیک- دانشگاه کاشان- کاشان- ایران
فرید سلطانی
دانشکده مهندسی مکانیک، دانشگاه کاشان، کاشان، ایران
احمدرضا برومندپور
دانشکده مهندسی مکانیک، دانشگاه آزاد اسلامی واحد خمینی شهر، خمینی شهر، ایران
قنبرعلی شیخ زاده
دانشکده مهندسی مکانیک، دانشگاه کاشان، کاشان، ایران
مراجع و منابع این مقاله:
لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :