تخمين خطاي تحليل عددي جريان جابجايي طبيعي با استفاده از يادگيري ماشين

يكي از اهداف علوم مهندسي پيش بيني رفتار فيزيكي پديده‌هاست. جريان سيال، به عنوان يكي از پيچيده ترين پديده‌هاي فيزيكي شناخته مي شود كه امكان حل تحليلي معادلات حاكم بر آن در بسياري از مسائل وجود ندارد و لذا از ديناميك سيالات محاسباتي جهت حل اين مسائل استفاده مي شود. به دليل تقريب هايي كه در روش هاي عددي مورد استفاده قرار مي گيرد، نتايج حاصل از اين روش ها داراي خطاست كه بسته به مسأله مدنظر و ميزان دقت مورد نياز، از روش‌هايي با دقت متناسب استفاده مي شود. اخيراً با پيشرفت هوش مصنوعي به ويژه يادگيري ماشين، راه كارهايي براي بهبود عملكرد روشهاي CFD از نظر افزايش دقت و كاهش حجم محاسبات ارائه گرديده است. به عنوان نمونه، يكي از كاربردهاي مدل هاي يادگيري ماشين، حل مسائل رگرسيون است كه در آن ابتدا دسته اي از مسائل انتخاب شده و با روش هاي مرسوم CFD حل مي شوند و تخميني از خطاي نتايج حاصل از هر يك از مسائل به دست مي آيد. بر اساس نتايج حاصل شده يك مدل يادگيري ماشين به نحوي آموزش مي بيند كه قادر باشد خطاي عددي ناشي از مدل بستار، مش، مرتبه گسسته سازي و ... را پيش بيني كند. بر اين اساس مي توان با آموزش يك مدل يادگيري ماشين و استفاده از آن در كنار روش هاي مرسوم CFD، به نتايجي با دقت بالاتر و هزينه محاسباتي كمتر نسبت به روش CFD دست يافت. در پژوهش حاضر، عملكرد مدل يادگيري ماشين براي پيش بيني خطاي ناشي از مش بررسي مي گردد.