تخمین خطای تحلیل عددی جریان جابجایی طبیعی با استفاده از یادگیری ماشین

یکی از اهداف علوم مهندسی پیش بینی رفتار فیزیکی پدیده‌هاست. جریان سیال، به عنوان یکی از پیچیده ترین پدیده‌های فیزیکی شناخته می شود که امکان حل تحلیلی معادلات حاکم بر آن در بسیاری از مسائل وجود ندارد و لذا از دینامیک سیالات محاسباتی جهت حل این مسائل استفاده می شود. به دلیل تقریب هایی که در روش های عددی مورد استفاده قرار می گیرد، نتایج حاصل از این روش ها دارای خطاست که بسته به مساله مدنظر و میزان دقت مورد نیاز، از روش‌هایی با دقت متناسب استفاده می شود. اخیراً با پیشرفت هوش مصنوعی به ویژه یادگیری ماشین، راه کارهایی برای بهبود عملکرد روشهای cfd از نظر افزایش دقت و کاهش حجم محاسبات ارائه گردیده است. به عنوان نمونه، یکی از کاربردهای مدل های یادگیری ماشین، حل مسائل رگرسیون است که در آن ابتدا دسته ای از مسائل انتخاب شده و با روش های مرسوم cfd حل می شوند و تخمینی از خطای نتایج حاصل از هر یک از مسائل به دست می آید. بر اساس نتایج حاصل شده یک مدل یادگیری ماشین به نحوی آموزش می بیند که قادر باشد خطای عددی ناشی از مدل بستار، مش، مرتبه گسسته سازی و ... را پیش بینی کند. بر این اساس می توان با آموزش یک مدل یادگیری ماشین و استفاده از آن در کنار روش های مرسوم cfd، به نتایجی با دقت بالاتر و هزینه محاسباتی کمتر نسبت به روش cfd دست یافت. در پژوهش حاضر، عملکرد مدل یادگیری ماشین برای پیش بینی خطای ناشی از مش بررسی می گردد.