کاربردهای یادگیری ماشین در روش اجزای محدود

استفاده از روش اجزای محدود برای تحلیل مسایل مهندسی در سال های اخیر رواج گسترده ای یافته است. علیرغم توانایی بالا و دقت کافی این روش در تحلیل انواع مسایل خطی و غیرخطی، زمان طولانی و هزینه زیاد شبیه سازی و همچنین وجود ضعف محاسباتی این روش در برخی از تحلیل های مهندسی از نقاط ضعف آن شمرده می شود. استفاده از روش های محاسباتی متنوع و ویژگی های علوم مختلف در شبیه سازی مسایل مختلف مهندسی با این روش به منظور افزایش توانایی و رفع نقاط ضعف آن همواره موردنظر پژوهشگران بوده است. در سالیان اخیر با معرفی علم یادگیری ماشین و گسترش استفاده از آن در علوم مختلف، کاربرد این علم در شبیه سازی اجزای محدود نیز مورد توجه قرارگرفته است که نتایج حاصل از به کارگیری این علم در حوزه های مختلف روش اجزای محدود و مقایسه با نتایج روش های کلاسیک موجود، کارآمدی این علم را به عنوان جایگزینی موثر در مدل یا بخشی از مدل اجزای محدود برخی مسایل مهندسی به ویژه در تحلیل های پیچیده و زمانبر نشان داده است. در این مقاله، ضمن معرفی اجمالی روش اجزای محدود و علم یادگیری ماشین به مهمترین کاربردهای این علم در روش اجزای محدود پرداخته می شود.

کلیدواژه ها:

روش اجزای محدود ، یادگیری ماشین ، یادگیری عمیق ، شبکه عصبی ، مدل کاهش مرتبه یافته