شبیه‌سازی یک قطار تندرو در برابر جریان هوای آشفته با استفاده از روش‌های دینامیک سیالات محاسباتی و الگوریتم شبکه عصبی پیش‌روی چندلایه

در این مطالعه، عملکرد آیرودینامیک یک قطار تندرو در برابر یک جریان هوای آشفته به‌صورت عددی از دو منظر تحلیل شده است. نخست با استفاده از دینامیک سیالات محاسباتی تحلیل مولفه‌های جریان و آیرودینامیک سیال انجام شده است و سپس با به‌کارگیری الگوریتم شبکه عصبی پیش‌روی چندلایه، یک پیش‌بینی و مقایسه با مقادیر به‌دست‌آمده از نتایج دینامیک سیالات محاسباتی ارائه شده است. بدین‌منظور، با استفاده از روش میان‌گیری رینولدز معادلات ناویراستوکس و روش آشفتگی 𝑘𝜔 (sst)، یک جریان هوای غیرقابل‌تراکم و آشفته اطراف یک نمونه قطار تندروی عمومی با به‌کارگیری نرم‌افزار openfoam شبیه‌سازی شده است. در این پژوهش، برخی از مهم‌ترین و کلیدی‌ترین مولفه‌های جریان و آیرودینامیک اعم از سرعت، فشار، خطوط جریان، ساختار جریان، ضرایب فشار و نیروهای پسا ، برآ و جانبی برای تغییرات زوایای حمله مختلف و تغییرات سرعت جریان هوا بررسی و مقایسه شده است. در ادامه، الگوریتم شبکه عصبی پیش‌روی چندلایه که توسط داده‌های مختلف اصلاح شده است، برای پیش‌بینی مقادیر خروجی مسئله به‌کارگیری شده است. بر این اساس، نیروهای آیرودینامیک پسا، برآ و جانبی برای زوایای حمله و سرعت‌های مختلف توسط این روش الگوریتمی به‌دست آمده و با نتایج حاصل از شبیه‌سازی عددی دینامیک سیالات محاسباتی مقایسه شده است. مقایسه انجام‌شده نشان‌دهنده تناسب خوب میان داده‌های آیرودینامیک و شبکه عصبی به‌کارگرفته شده است.

Simulation of a High-Speed Train against a Turbulent Air Flow using Computational Fluid Mechanics Method and Multi-Layer Feed-Forward Neural Network Algorithm

In this study, the aerodynamic performance of a highspeed train against a turbulent air flow is examined numerically from two approaches. First, using computational fluid dynamics, the parameters of aerodynamics and fluid flow are analyzed and then, using MultiLayer FeedForward Neural Network (MLFFNN) Algorithm, a prediction and comparison with the obtained values from the CFD analysis are presented. To achieve this, using ReynoldsAveraged NavierStokes (RANS) method with 𝑘𝜔 (SST) turbulence model, an incompressible turbulent air flow around a highspeed train model by OpenFOAM CFD Software is simulated. In this research, some of the significant and key parameters of fluid flow and aerodynamics as velocity, pressure, streamlines, flow structure, pressure coefficients, drag, lift and side forces for some yaw angles of wind movement and velocity changes are analyzed and compared. In the following, the MultiLayer FeedForward Neural Network which is modified with various data is applied for prediction of the output of the problem. Accordingly, the aerodynamic drag, lift and side forces for the yaw angles of wind movement and velocity changes by this algorithm method are obtained and compared with the obtained results from CFD analysis. The comparisons indicate an appropriate similarity between the CFD data and the used MLFFNN one.