مدل سازی انتقال حرارت آشفته با شبکه های عصبی آگاه از فیزیک از دیدگاه هوش مصنوعی

انتقال حرارت آشفته یکی از چالش های پیچیده در مکانیک سیالات و مهندسی حرارت به شمار می رود، زیرا ویژگی های غیرخطی و ناپایدار جریان های آشفته تحلیل دقیق آن را با مدل های کلاسیک دشوار می سازد. شبکه های عصبی آگاه از فیزیک (Physics-Informed Neural Networks – PINNs) به عنوان رویکردی نوین در هوش مصنوعی، امکان مدل سازی این نوع جریان ها را با در نظر گرفتن معادلات بنیادی فیزیک مانند معادلات ناویر–استوکس فراهم می کنند. این مقاله به بررسی کاربرد PINNs در مدل سازی انتقال حرارت آشفته پرداخته و رویکردهای مختلف آموزش شبکه، استفاده از داده های تجربی و شبیه سازی، و ترکیب قوانین فیزیکی با الگوریتم های یادگیری عمیق را تحلیل می کند. یافته ها نشان می دهد که مدل های آگاه از فیزیک می توانند با کاهش نیاز به داده های گسترده و افزایش دقت پیش بینی، راهکاری کارآمد برای تحلیل جریان های آشفته ارائه دهند و ضمن صرفه جویی در محاسبات، قابلیت تعمیم به شرایط مختلف هندسی و مرزی را دارا باشند.

کلیدواژه ها:

انتقال حرارت آشفته ، شبکه های عصبی آگاه از فیزیک ، هوش مصنوعی ، مکانیک سیالات ، PINNs ، مدل سازی عددی