مدلسازی هوشمند جریان کانال آشفته بر پایه داده های شبیه سازی عددی مستقیم dns
Abstract(in Persian; no English abstract is available)
در این پژوهش تحلیل جریان در کانال بر اساس روش شبیه سازی مستقیم معروف به dns صورت گرفته است. تحلیل جریان بر اساس روش شبه طیفی ? در شش روش مختلف گسسته سازی زمانی بر پایه دو تکنیک لغزشی و مونولیتیک با دو الگوریتم با گام زمانی ثابت و متغیر انجام شد. همچنین تاثیر الگوهای همانند سازی غیر محذوف(aliased)، حذف همانند سازی در راستای قائم(dealiased y)، حذف همانند سازی در راستای طولی و عرضی (dealiased xz) و حذف کامل همانند سازی در سه راستا (dealiased xyz) در حذف خطای همانندسازی در جریان بررسی گردید. در ادامه پس از استخراج معادلات در فضای فوریه و چبیشف، شش ساختار مختلف معادل با جمله غیرخطی شامل ساختار چرخشی (rotational)، ساختار متقارن انحرافی (skew symmetric)، ساختار انتقالی (convection)، ساختار واگرایی (divergence)، عبارت خطی شده (linearized) و روش متناوب (alternate) معرفی گردید و نتایج حاصل از تحلیل جریان در یک کانال با عنایت به ساختارهای فوق نیز ارائه شد. مطالعه عددی میدان جریان به ابعاد در شبکه ای از نقاط 128×65×128 و عدد رینولدز اصطکاکی re?=175 تحلیل و ارائه گردیده است. نتایج حاصله از تحلیل و مقایسه مقادیر آشفتگی بویژه مقادیر آماری آشفتگی در روشهای مختلف گسسته سازی زمانی نشان می دهد الگوریتم با گام زمانی متغیر و الگوهای اصلاحی حذف همانند سازی منجر به افزایش دقت و کاهش هزینه های محاسباتی به ترتیب در حدود 37% و 33% میگردد. ضمن آنکه انتخاب ساختار جمله چرخشی در مقایسه با پنج ساختار دیگر معادل با جمله غیرخطی بویژه الگوی متقارن انحرافی (با کاهش هزینه های محاسباتی 62%) توصیه می گردد. در ادامه با عنایت به توانایی شبکه عصبی مصنوعی در مدلسازی سیستمهای به شدت غیر خطی، مدل هوشمند آشفتگی برای پیش بینی جریان کانال ارائه گردید. بدین ترتیب آموزش شبکه عصبی bp با الگوریتم لونبرگ- مارکواردت با مجموعه داده های بدست آمده از حلdns با استفاده از دو رویکرد جدید در تعیین تعداد نرونهای لایه پنهان و آموزش چند منظوره برای تحلیل همزمان المانهای بردار سرعت میدان جریان با دستیابی به کارایی 0005/0 و ضریب همبستگی در حدود 98% صورت پذیرفت. با توجه به تردیدهای موجود در دقت اندازه گیری جریان مجاورت جداره در کانال، مدلسازی هوشمند این بخش از میدان جریان با آموزش 20480 نمونه، جداگانه در طول گامهای زمانی انجام پذیرفت. نتایج حاصل از آموزش شبکه در حالات مختلف بیانگر این مساله است که شبکه عصبی مصنوعی نیز همانند روشهای معمول تجربی و عددی دینامیک سیالاتی قابلیت مدلسازی جریانهای آشفته را بخوبی دارا می باشد.