توسعه یک مدل رتبه کاسته بدون معادله مبتنی بر الگوهای متفاوت استخراج ویژگی روی مجموعه داده انتقال حرارت دو بعدی پایا

با توجه به هزینه زمانی و محاسباتی بالای روش های حل مستقیم یا عددی معادلات دیفرانسیل حاکم بر پدیده ها، پژوهش حاضر به ارائه روشی بدون معادله و مبتنی بر الگوریتم های یادگیری عمیق با استفاده از روش های کاهش بعد می پردازد. دو روش تحلیل مولفه های اصلی (خطی) و خودرمزنگار (غیرخطی) برای شبیه سازی پدیده انتقال حرارت پایا با استفاده از مجموعه داده های انتقال حرارت پایای دو بعدی در ابعاد ۶۴×۶۴ و ۱۲۸×۱۲۸ بکار رفت و از طریق ابزارها و کتابخانه های موجود در محیط پایتون پیاده سازی شد. طبق نتایج حاصل، در کاهش مرتبه شدید، خودرمزنگار و در کاهش مرتبه جزئی، تحلیل مولفه های اصلی دقت بالاتری دارد. همچنین خروجی های حاصل از مدل رتبه کاسته پیشنهادی با شبیه سازی های حاصل از مدلی مبتنی بر شبکه عصبی کانولوشنی با تعداد لایه ها و فیلترهای متعدد مقایسه شد. نتایج حاصل از شبیه سازی توزیع دمای پایا برحسب خطای میانگین مربعات (MSE) با استفاده از مدل های مبتنی بر تحلیل مولفه های اصلی، خودرمزنگار و مدل مبتنی بر شبکه های عصبی کانولوشنی در ابعاد ۶۴×۶۴ به ترتیب برابر با ۴-۱۰×۶۱۷/۱، ۶-۱۰×۵۲۸/۲ و ۰۱۵/۰ و در ابعاد ۱۲۸×۱۲۸ نیز برابر با ۴-۱۰×۰۴۶/۲، ۶-۱۰×۲۵۳/۷ و ۰۰۵۸/۰ درجه سلسیوس در هر پیکسل است. بنابراین، مدل های رتبه کاسته پیشنهادی به ویژه مدل مبتنی بر روش خودرمزنگار از دقت بسیار بالاتری نسبت به مدل مبتنی بر شبکه های عصبی کانولوشنی برخوردار می باشد.

کلیدواژه ها:

مدلسازی انتقال حرارت پایا ، کاهش مرتبه ، تحلیل مولفه های اصلی ، خودرمزنگار ، خطای میانگین مربعات