پیش بینی جریان در دیفیوزر نامتقارن دو بعدی توسط شبکه عصبی و مقایسه نتایج با سه مدل آشفتگی و داده های تجربی

در کار حاضر جریان آشفته در یک دیفیوزر دو بعدی نامتقارن مورد بررسی و مطالعه قرار گرفته‌است. در بسیاری از کاربردها، اطلاع از این‌که آیا لایه مرزی از سطح یا داخل یک جسم خاص جدا می‌شود و این‌که دقیقاً جداسازی جریان در کجا رخ می‌دهد، از اهمیت خاصی برخوردار است. ترکیب داده‌های آشفتگی با هوش مصنوعی در حال حاضر یک موضوع تحقیقاتی فعال برای مطالعه آشفتگی است. در این مقاله پیش‌بینی جدایش جریان با وجود گرادیان فشار معکوس در دیفیوزر دوبعدی نامتقارن، با استفاده از سه مدل آشفتگی شامل مدل استاندارد ke، مدل استاندارد kw و مدل sst kw و مدل هوشمند شبکه عصبی مصنوعی (ann) مورد بررسی و مقایسه قرار گرفته‌است. برای شبیه‌سازی عددی و حل معادلات حاکم از نرم افزار فلوئنت استفاده شده‌است. نتایج در فواصل 21، 29، 39 و 49 سانتی متری از لبه دیفیوزر مورد تحلیل قرار گرفتند و با داده‌های تجربی مقایسه شدند. x و y/h هر نقطه به‌عنوان ورودی و u/u0 سرعت در آن نقطه به‌عنوان خروجی شبکه عصبی درنظر گرفته شده‌است. شاخص‌های آماری rmse, mbe, ttest برای نقاط موردنظر محاسبه و گزارش شده‌است. مدل شبکه مصنوعی نسبت‌به سه مدل آشفتگی، پیش‌بینی بهتری از جدایش جریان را نشان می‌دهد و مدل استاندارد ke نسبت‌به مدل های دیگر پیش بینی ضعیف تری را نشان می‌دهد. این تحقیق چشم‌انداز مدل‌سازی آشفتگی را با روش‌های یادگیری ماشین به‌خصوص شبکه عصبی نشان می‌دهد.

Flow prediction in two-dimensional asymmetric diffuser by neural network and comparison with three turbulence models and experimental data

In this paper, turbulent flow in an asymmetric twodimensional diffuser is investigated. In many applications, it is important to know whether the boundary layer separates from the surface or inside a particular object, it is also important to know exactly where the flow separation occurs. Combining turbulence data with artificial intelligence is currently an active research topic for studying turbulence. This research makes it possible to replace traditional turbulent models with artificial neural networks (ANN). In this study, to predict flow separation in an asymmetric twodimensional diffuser, three turbulence models, standard k, standard kand SST k, and intelligent neural network model with reverse pressure gradient were investigated. Fluent software was used to solve the NavierStokesReynolds equations. Three types of networking are designed and at the end, the second type is used to analyze the flow. 21, 29, 39 and 49 cm distances from the edge of the diffuser were analyzed and compared with experimental data. x and y/H are considered as the input point and U/U0 is the velocity at that point as the output of the neural network model. RMSE, MBE, ttest statistical indices have been calculated and reported for the desired points, The ANN had a better prediction of separation than the other three standard models, and the standard k had a lower prediction than the other models. This research shows the perspective of chaotic modeling with machine learning methods, especially neural networks.