مروری بر کاربردهای یادگیری ماشین در مکانیک سیالات

از گذشته تا به امروز اطلاعات حاصل از آزمایشات و شبیه سازی های مستقیم نقش پررنگی در مدل سازی های سیالاتی بازی می کنند. برای نمونه معادلات ناویر استوکس به خوبی می توانند نحوه حرکت سیال را توضیح دهند اما به علت پیچیدگی حل تحلیلی آنها ممکن نیست، در نتیجه برای حل آنها از شبیه سازی ها کمک گرفته می شود و اطلاعات تجربی به کالیبره کردن آنها کمک می کند. اما در عصر حاضر با توجه به حجم عظیم و بی سابقه داده ها می توان به گونه موثرتری از آنها در توسعه علم مکانیک سیالات استفاده کرد. یادگیری ماشین با استخراج داده های مفید، پنجره جدیدی را در زمینه مدل سازی، پیش بینی و کنترل جریان می گشاید. با توجه به افزایش قدرت محاسباتی، الگوریتم ها متنوع و نرم افزارهای متن باز زمینه ادغام شدن یادگیری ماشین با علوم مختلف فراهم شده است و می توان از آن به عنوان نیروی محرکه جدیدی در زمینه مکانیک سیالات نام برد. در این مقاله روش های مختلف یادگیری ماشین را بیان کرده و با کاربرد آنها در علم سیالات و همچنین نقاط قوت و ضعف آنها آشنا می شویم.

کلیدواژه ها:

یادگیری ، ماشین ، یادگیری عمیق ، مدل سازی داده محور ، جریان آشفته