TL;DR
- چکیده:.
- یکی از بزرگترین چالشها در بهینهسازی پدیدههای انتقال سیال در مقیاس میکرو،.
- پیشبینی جریان ناپایدار سیال در حضور دیوارههای کانال ناهموار است.
چه اتفاقی افتاد
چکیده:. یکی از بزرگترین چالشها در بهینهسازی پدیدههای انتقال سیال در مقیاس میکرو،.
پیشبینی جریان ناپایدار سیال در حضور دیوارههای کانال ناهموار است. اگرچه دقت حلکنندههای دینامیک سیالات محاسباتی موجود (CFD) مانند روش شبکه بولتزمن (LBM) رضایتبخش است،.
هزینه محاسباتی اکتشاف طراحی به دلیل طیف متنوع هندسهها و رژیمهای جریان درگیر در جریانهای میکروکانال بسیار بالا. است.
مقاله حاضر یک مفهوم انقلابی از یک شبکه عصبی مبتنی بر فیزیک (PINN) را معرفی میکند که از. دادههای شبکه پراکنده بولتزمن در ترکیب با معادلات ناویر-استوکس برای پیشبینی جریان سیال ناپایدار در میکروکانالهای فرکتال-خشن استفاده.
میکند. زبری دیوارههای کانال با توجه به ویژگیهای سطح توسط تابع وایرشتراس-ماندلبروت نشان داده میشود.
ناهمواری در مشکلات زندگی واقعی محدودیتهای معادلات ناویر-استوکس در تابع تلفات مفهوم PINN برای دستیابی به دقت در. هزینههای محاسباتی بسیار کمتر از 150 تا 200 برابر نقاط داده کمتر گنجانده شدهاند.
اعتبارسنجی دقت بازسازی میدانهای جریان برای اعداد رینولدز مختلف از Re = 1 تا 45 و مقادیر دامنه. متفاوت دیوارههای کانال ناهموار از 5 تا 20 واحد شبکه انجام میشود.
مهندسی محاسبات، امور مالی و علوم (cs. CE) استناد بهعنوان: (یا v1 [cs.
CE] برای این نسخه) https:. // شده توسط arXiv از طریق DataCite (در انتظار ثبت نام) تاریخچه ارسال از:.
Ganesh Sahadeo Meshram [مشاهده ایمیل] [v1] جمعه،. 3 آوریل 2026،.
23:. 04:.
23 UTC (4,. 581 KB).
چرا مهم است
اهمیت این خبر در این است که روی استفاده واقعی از AI و تصمیمگیری سازمانی اثر میگذارد.
منبع
لینک منبع اصلی در کارت و صفحه مقاله نمایش داده میشود.