پژوهشگر: محمدامین جمعه پور
استاد راهنما: دکتر ابراهیم گشتاسبی راد
تاریخ و زمان دفاع:29 مردادماه1404 ساعت 15
مکان: سالن قطب علمی دانشکده مهندسی مکانیک
چکیده پایان نامه:
در این پژوهش، با هدف بازسازی و پیشبینی نوسانات جریان آشفته درون کانال، از شبکههای عصبی بهمنظور دستیابی به تعادلی میان دقت محاسباتی و هزینه زمانی استفاده شده است. این رویکرد در نهایت منجر به توسعه مدلی جامع شده که قابلیت تعمیمپذیری به رینولدزهای مختلف در محدوده لایهای شدن جریان را داراست. جریان آشفته، به عنوان یکی از پرکاربردترین پدیدههای فیزیکی در طبیعت و صنعت، شبیهسازی بسیار پیچیده و پرهزینهای دارد. از میان هندسههای مختلف، جریان میان دو دیواره به عنوان یکی از هندسههای مرجع در شبیهسازیهای آشفته در نظر گرفته شده و ناحیهای مشخص از آن برای بازسازی نوسانات انتخاب شده است. در این راستا، دادههای حاصل از شبیهسازی گردابی بزرگ در چند عدد رینولدز اصطکاکی مختلف استخراج شده و به عنوان ورودی به دو مدل شبکه عصبی، شامل شبکه کاملاً کانولوشنی و شبکه-یو، داده شدهاند. یافتهها نشان دادند که شبکه عصبی کاملاً کانولوشنی با استفاده از نوسانات سرعت بالادست به عنوان ورودی، عملکرد بهتری نسبت به شبکه-یو در بازسازی نوسانات جریان ارائه میدهد. در ادامه، با بهرهگیری از تکنیک انتقال یادگیری و آموزش پلکانی مدل، عملکرد شبکه کاملاً کانولوشنی در فواصل مکانی بزرگتر از نظر ضریب همبستگی را تا 01/0 بهبود ببخشد. همچنین با طراحی شبکهای تعمیمپذیر بر اساس ادغام عدد رینولدز در لایههای کانولوشنی و اعمال انتقال یادگیری بین رینولدزهای مختلف، بازسازی موفق ساختار نوسانات در رینولدزهای بسیار پایین نیز حاصل شد. این مدل تعمیمیافته موفق شد نسبت به مدل پایه، خطای بازسازی نوسانات در راستای طولی را تا ۲۳ درصد کاهش دهد. در مجموع، نتایج تحقیق بیانگر آن است که انتخاب دقیق نوع شبکه عصبی، طراحی معماری متناسب با ویژگیهای جریان، و بهرهگیری اصولی از انتقال یادگیری، میتواند به بهبود معنادار بازسازی جریان آشفته، بهویژه در نواحی ناشناخته و رینولدزهای فاقد شبیهسازی، منجر شود؛ امری که کاربرد گستردهای در حوزههای صنعتی و پژوهشی خواهد داشت.
