حلگرهای نهفته ی هابیت بررسی شبیه سازی جریان های آشفته و چندفازی با شبکه های عصبی بازگشتی عمیق و قیود سخت فیزیکی

در این مقاله یک معماری جدید موسوم به حلگرهای نهفته ی هابیت (HaRNN-Solver) بر پایه تلفیق شبکه های عصبی بازگشتی عمیق LSTM با قیود سخت فیزیکی بقای جرم و ممنتوم برای شبیه سازی جریان های آشفته و چندفازی ارائه می شود. برخلاف روش های متداول PINN و LES مدل پیشنهادی با استفاده از تغییر شکل خروجی شبکه توسط توابع پایه ای شرایط مرزی را به طور خودکار ارضا می کند و با یک لایه ی اصلاحی مبتنی بر معادله ی ممنتوم دقت بالا در گام های زمانی طولانی حفظ می شود. اعتبارسنجی بر روی سه کلاس مسائل مرجع شامل جریان پشت استوانه (Re=۱۰۰) و (Re_t=۳۹۰۰) جریان کانال آشفته (Re_t=۱۸۰ و ۵۵۰) و جریان دوغابی در ستون حبابی نشان می دهد که مدل HaRNN-Solver به ترتیب خطای %۱.۲ و ۳.۴ در عدد استروهال و ضریب پسا، خطای کمتر از ۷ در پروفیل سرعت میانگین و تنش رینولدز و خطای زیر پیکسل (۸) قطر حباب در ردیابی سطح مشترک دست می یابد. هزینه ی محاسباتی مدل یک دهم LES معادل بوده و تنها به %۲۰ داده های آموزشی مورد نیاز PINN استاندارد احتیاج دارد. تحلیل حساسیت نشان می دهد شبکه ای با ۸ لایه LSTM و ۱۲۸ نورون بهترین نسبت دقت خطای متوسط ۵.۲ به هزینه را ارائه می دهد. این رویکرد گامی به سمت شبیه سازی های بلادرنگ و قابل اعتماد برای جریان های پیچیده ی صنعتی و زیست پزشکی محسوب می شود.

کلیدواژه ها:

مکانیک سیالات ، شبیه سازی جریان ، آشفته ، جریان چندفازی ، شبکه عصبی بازگشتی ، قیود فیزیکی ، حلگر نهفته ، یادگیری عمیق ، دینامیک سیالات محاسباتی