مدلسازی شار زیر شبکه ی اسکالر با استفاده از شبکه ی عصبی مصنوعی

در بسیاری از مسائل صنعتی که دارای رژیم جریان آشفته هستند، نیاز است تا معادله ی اسکالر همراه با معادلات حاکم بر جریان به صورت همزمان حل گردد. کمیت اسکالر می تواند نمایانگر میدان دما، غلظت اجزاء احتراق و اختلاط باشد. دقیق ترین روش برای حل معادله ی اسکالر، روش مستقیم می باشد که امکان استفاده از آن در مسائل صنعتی به دلیل حجم محاسبات بالا امکان پذیر نمی باشد. به منظور کم کردن حجم محاسبات، روش شبیه سازی گردابه های بزرگ معرفی شده است که در آن مقیاسهای بزرگ جریان شبیه سازی شده و مقیاسهای کوچک مدلسازی می شود. بعد با فیلترگیری از معادله ی اسکالر، جمله ی مجهولی به وجود می آید که نیاز به مدلسازی داشته و شار زیرشبکه ی اسکالر نامیده می شود و هدف اصلی این مطالعه مدلسازی آن با کمک یادگیری ماشین می باشد. پژوهش های پیشین نشان دادهاند که استفاده از یادگیری ماشین و شبکه های عصبی مصنوعی می تواند به رسیدن به یک مدل دقیق تر کمک کند اما همچنان همبستگی های بدست آمده نیاز به بهبود دارند. نتایج بدست آمده در این مطالعه که در یک کانال با جریان آشفته و کاملا توسعه یافته می باشد، نشان می دهند که با کمک روش یادگیری ماشین می توان به ضرایب همبستگی بالایی میان مدلسازی انجام شده و حل دقیق در شار زیرشبکه ی اسکالر رسید. بالاترین مقدار همبستگی در متغیر شار زیر شبکه ی اسکالر در جهت افقی کانال بدست می آید که مقدار آن بیشتر از ۹۰ درصد است .