بازسازی میدان سرعت سیال اندازه گیری شده توسط اس.پی.آی.وی با استفاده از شبکه های عصبی مصنوعی

سال انتشار: 1401
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 123

فایل این مقاله در 14 صفحه با فرمت PDF قابل دریافت می باشد

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

JR_IHUMC-11-1_004

تاریخ نمایه سازی: 29 فروردین 1402

چکیده مقاله:

یکی از ابزارهای مهم و اصلی مطالعه جریان و معیار ارزیابی دیگر روش ها مانند روش های عددی، داده های آزمایشگاهی مکانیک سیالات است. بنابراین، کیفیت مطلوب داده هایی که در آزمایشگاه اندازه گیری می شوند، مهم می باشد. میدان سرعت سیال، یکی از اطلاعات مهم هر جریانی است که با ابزارهای مختلفی اندازه گیری می شوند. یکی از آن ابزارها، ابزار اس.پی.آی.وی است. این ابزار، اطلاعات صفحه ای را از مولفه های سرعت جریان در اختیار قرار می دهد. معمولا، داده های استخراج شده از این ابزار، در برخی از نقاط میدان سرعت، به دلایل مختلف و شرایط آزمایشگاهی، دارای خطای زیادی خواهند شد و مقادیر بدست آمده در این نقاط، حذف می گردند که اصطلاحا به آن ها، نقاط نقص گویند. بنابراین، برای بازسازی میدان سرعت در نقاط نقص، روش هایی مورد نیاز است که در این راستا، در پژوهش حاضر، از شبکه های عصبی مصنوعی، همانند ام.ال.پی و سی.ان.ان استفاده شده است. بهینه سازی تعداد نرون های شبکه ام.ال.پی، توسط میانگین خطای داده های تست و تطابق تصاویر، انجام شده است. خطای نهایی برای هر یک از روش ها بدست آمده است که با توجه به خطاها و تطابق میدان سرعت بازسازی شده با داده های آزمایشگاهی، این نتیجه حاصل شد که برای هر دو مولفه سرعت، شبکه عصبی سی.ان.ان بهترین عملکرد را داشته است.

نویسندگان

امیرحمزه فرج الهی

دانشکده مهندسی، دانشگاه امام علی (ع)، تهران، ایران

محسن رستمی

دانشکده مهندسی، دانشگاه امام علی (ع)، تهران، ایران

علی اصغر نادری

دانشکده مهندسی مکانیک-دانشگاه امام علی (ع)، تهران، ایران

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :
  • G. Raben, J. J. Charonko, and P. P. Vlachos, “Adaptive ...
  • E. Murray and L. S. Ukeiley, “An application of Gappy ...
  • Everson and L. Sirovich, “Karhunen–Loeve procedure for gappy data”, JOSA ...
  • Venturi and G. E. Karniadakis, “Gappy data and reconstruction procedures ...
  • Willcox, “Unsteady flow sensing and estimation via the gappy proper ...
  • Gunes, S. Sirisup, and G. E. Karniadakis, “Gappy data: To ...
  • E. Meyer, J. M. Pedersen, and O. Özcan, “A turbulent ...
  • Ahmed, H. El Kadi, and A. AlSharif, “Three-dimensional turbulent swirling ...
  • Fukami, K. Fukagata, and K. Taira, “Super-resolution reconstruction of turbulent ...
  • T. Mohan and D. V Gaitonde, “A deep learning based ...
  • Cai, J. Liang, Q. Gao, C. Xu, and R. Wei, ...
  • Evain, K. Faraz, T. Grenier, D. Garcia, M. De Craene, ...
  • HR, "Optimizing the Inlet of the Squirrel Nest Technique”, Msc ...
  • Loboda, I., Feldshteyn, Y., and Ponomaryov, V., “Neural Networks for ...
  • T. Pham and X. Liu, “Neural Networks for Identification”, Prediction ...
  • Hemmatasfe, M., esfande, S., and akhooundzade, M. “orecasting of Convective ...
  • Yu W, Huang S, and Xiao W. Fault Diagnosis Based ...
  • نمایش کامل مراجع