مدلسازی هوشمند جریان کانال آشفته بر پایه داده های شبیه سازی عددی مستقیم

نوع مقاله: مقاله پژوهشی

نویسندگان

1 استادیار دانشکده مهندسی عمران; دانشگاه پیام نور

2 دانشیارگروه مهندسی آب دانشکده عمران; دانشگاه خواجه نصیر طوسی

چکیده

در این پژوهش با عنایت به توانایی شبکه­ عصبی مصنوعی در مدلسازی سیستمهای به شدت غیر خطی، مدل هوشمند آشفتگی برای پیش بینی جریان کانال ارائه گردید. تحلیل جریان در کانال بر اساس روش شبیه­سازی مستقیم معروف به DNS به روش شبه طیفی τ صورت گرفته است. مطالعه عددی شبیه­سازی مستقیم در میدان جریان به ابعاد   در شبکه ای از نقاط 32×65×64 و عدد رینولدز اصطکاکی Reτ=175  تحلیل و ارائه گردیده است. بدین ترتیب آموزش شبکه عصبی با روش پس انتشار خطا با الگوریتم لونبرگ- مارکواردت با مجموعه داده های بدست آمده از حلDNS  با استفاده از دو رویکرد جدید در تعیین تعداد نرونهای لایه پنهان و آموزش چند منظوره برای تحلیل همزمان المانهای بردار سرعت میدان جریان با دستیابی به کارایی 0005/0 و ضریب همبستگی در حدود 98% صورت پذیرفت. با توجه به تردیدهای موجود در دقت اندازه گیری میدان جریان مجاورت جداره در کانال، مدلسازی هوشمند این بخش از جریان با آموزش 20480 نمونه، جداگانه در طول گامهای زمانی انجام پذیرفت. نتایج حاصل از آموزش شبکه و تحلیل توزیع سرعت جریان آشفته در حالات مختلف بیانگر این مساله است که شبکه­ عصبی مصنوعی نیز همانند روشهای معمول تجربی و عددی دینامیک سیالاتی قابلیت مدلسازی جریانهای آشفته را بخوبی دارا می باشد.

کلیدواژه‌ها


عنوان مقاله [English]

Intelligent Modeling of Turbulent Channel Flow Based on Direct Numerical Simulation Data

نویسندگان [English]

  • Elham Rajabi 1
  • Mohammadreza Kavianpoor 2
1 -
2 -
چکیده [English]

In this research, due to the ability of artificial neural network in modeling of highly nonlinear systems, intelligent turbulence model was proposed for prediction of channel flow. The flow analysis in the channel is done using the direct simulation method known as DNS.
 A pseudo spectral method is used in Cartesian coordinates . The friction Reynolds number for channel flow is set to be Reτ=  and the computational grids of are used in the x, y and z directions, respectively.
 
Also, neural network training using Leanberg-Marquardt algorithm (LM) is developed to predict the turbulent channel flow using information from DNS. This training was carried out using two novel approaches in determining the number of hidden layer neurons and multi-purpose training for simultaneous analysis of the vector of velocity field with the the achievement of performance of 0.5005 and correlation coefficient of 98%.
Due to the doubts in the accuracy of measuring the flow field of adjacent walls in the channel, theintelligent modeling of this section of the flow was conducted with 20480 samples, separately during the time steps. The results of network training and the analysis of velocity distribution of turbulent flow in different states indicate that the artificial neural network, like the usual experimental and numerical fluid dynamics methods, is capable of modeling turbulent flows well.

کلیدواژه‌ها [English]

  • Channel Flow
  • τ pesudo spectral method
  • DNS
  • Artificial Neural Network
  • multi task larning