مدلسازی رتبه کاسته جریان سیال ناپایا با استفاده از یادگیری عمیق

جریان سیال ناپایا سیستمی است غیرخطی دارای درجه آزادی بالا که میتواند پدیده های پیچیده ای را هم در مکان و هم در زمان تجربه کند. مدلسازی جریان سیال به روش رتبه کاسته حوزهای فعال در دهه اخیر بوده است که هدف آن تجزیه جریان های پیچیده به دسته ای از ویژگیها است که از اهمیت بیشتری برخوردار هستند. از این ویژگیها جهت تعیین شرایط جریان در آینده و کنترل آن استفاده می شود. در این تحقیق، یک روش جدید داده محور بر پایه توانایی های شبکه های عمیق عصبی برای مدلسازی رتبه کاسته جریان سیال ناپایا ارائه شده است. به عنوان یک جایگزین مناسبت برای تجزیه مقدار منفرد1، از شبکه عصبی عمیق خود رمز گذار2 جهت کاهش ابعاد و استخراج ویژگیها استفاده شده است. سپس، ویژگیهای استخراج شده در هر گام زمانی به عنوان ورودی به شبکه عصبی حافظه کوتاه مدت ماندگار3 با هدف پیش بینی جریان سیال در گامهای زمانی آینده داده شده است. توانایی روش خود رمز گذار-ال اس تی ام در پیش بینی موقعیت جریانهای پیچیده ناپایا در آینده با روش معروف تجزیه حالت پویا4 مقایسه شده است. نتایج با استفاده از دو پارامتر میانگین خطای مربعات5 و ضریب تشخیص6 مورد ارزیابی قرار گرفته است. نتایج نشان داده است که روش خود رمز گذار-ال اس تی ام به خوبی قادر به پیشبینی موقعیت جریانهای پیچیده در آینده است و مقدار ضریب تشخیص بالاتری را در مقایسه با روش تجزیه حالت پویا در اختیار قرار میدهد.