مدل سازی جریان آبشار ایرفویل با شبکه عصبی مبتنی بر فیزیک در اعداد رینولدز پایین

شبکه های عصبی مبتنی بر فیزیک یا به اختصار پین ها (PINNs) طی سال های اخیر به خاطر مزایای چشمگیر خود در حل مسائل مکانیک سیالات، مورد توجه قرار گرفته اند. بر خلاف روش های متداول دینامیک سیالات محاسباتی، پین ها به تولید شبکه محاسباتی (مش) نیاز ندارند و خروجی های آن میدان های حل کاملا مشتق پذیر هستند. در این مطالعه، ما از پین ها برای حل میدان جریان حول ایرفویل NACA ۰۰۱۲ در یک پیکربندی آبشاری در عدد رینولدز ۲۰۰ استفاده کردیم. تاثیر فاصله پره ها با مطالعه نتایج به دست آمده با استفاده از پین ها در سه مقدار صلبیت مختلف مورد ارزیابی قرار گرفت. به منظور بهبود چارچوب پین ها، ما از تعبیه ویژگی فوریه، وزن دهی تطبیقی تابع اتلاف و نمونه برداری تطبیقی مبتنی بر باقیمانده استفاده کردیم. همچنین نتایج پین ها با شبیه سازی های دینامیک سیالات محاسباتی اعتبارسنجی شدند و نشان داده شد که چارچوب پین پیشنهادی ما در محاسبه ضرایب برآر و پسآر در هر سه مقدار صلبیت به خطاهای نسبی کمتر از ۵٪ دست پیدا می کند و همچنین متغیرهای میدان جریان را در کل دامنه محاسباتی پیش بینی می کند. این مدل به طور دقیق رفتار نزدیک دیواره و دینامیک دنباله را ثبت می کند. همچنین به درستی کاهش نسبت نیروی برآر به نیروی پسآر را با افزایش صلبیت نشان می دهد.

Keywords:

شبکه های عصبی مبتنی بر فیزیک , جریان آرام , ایرفویلNACA ۰۰۱۲ , تعبیه ویژگی فوریه , جریان آبشاری