چارچوب تحلیلی کاهش‌مرتبه و یادگیری ماشین برای پیش‌بینی جریان ناپایای حفره‌ای پیرامون موانع استوانه‌ای شهری

چارچوب تحلیلی کاهش‌مرتبه و یادگیری ماشین برای پیش‌بینی جریان ناپایای حفره‌ای پیرامون موانع استوانه‌ای شهری

محمد مرادی1

1) دانشجوی دکتری مهندسی عمران گرایش آب و سازه های هیدرولیکی، پردیس بین المللی ارس دانشگاه تبریز، کارشناس شهرسازی شهرداری خمینی شهر

کد IOI مقاله : AAHF-ACZDKB
محل انتشار : کنفرانس ملی فناوری های معماری و هنر، شهر هوشمند، صنایع نرم وخلاق و فرهنگ فناوری (icact.ir)
چکیده :
    جریان‌های ناپایای جداشده پیرامون موانع استوانه‌ای و در مجاورت حفره‌ها، فرورفتگی‌ها و نواحی بازچرخشی از مسائل محاسباتی دشوار در هیدرودینامیک سازه‌های شهری هستند. اندرکنش لایه برشی، ریزش گردابه، اثر محصورشدگی، آشفتگی ورودی و در برخی کاربردها سطح آزاد موجب می‌شود پیش‌بینی قابل اعتماد این جریان‌ها به تفکیک زمانی و مکانی بالا نیاز داشته باشد. مقاله حاضر با رویکرد مرور ساختاریافته-انتقادی و مؤلفه دامنه‌ای، پیوند میان فیزیک جریان حفره‌ای و دنباله موانع استوانه‌ای، مدل‌سازی کاهش‌مرتبه و یادگیری ماشین علمی را بررسی می‌کند. ادبیات 2010 تا 2026 در کنار منابع بنیادی تحلیل و روش‌هایی مانند تجزیه متعامد بهینه، تجزیه مد دینامیکی، تجزیه متعامد طیفی، مدل‌های گالرکین، شناسایی تنک دینامیک، استنتاج عملگر، خودرمزگذارهای غیرخطی، شبکه‌های بازگشتی، ترنسفورمرها و شبکه‌های آگاه از فیزیک مقایسه شده‌اند. یافته‌ها نشان می‌دهد هیچ خانواده منفردی به طور هم‌زمان فشرده‌سازی میدان، پایداری بلندمدت، تعمیم هندسی و پارامتری، رعایت قیود فیزیکی و برآورد عدم‌قطعیت را حل نمی‌کند. بر این اساس، چارچوبی هفت‌لایه شامل تعریف مسئله، تولید داده چندوفاداری، ساخت فضای کاهش‌یافته، یادگیری پویایی، اعمال قیود فیزیکی، اعتبارسنجی چندسطحی و استقرار همراه با تشخیص خارج از دامنه پیشنهاد می‌شود. این چارچوب می‌تواند مبنای توسعه مدل‌های جانشین سریع برای تحلیل سازه‌های شهری، زهکشی، کنترل سیلاب موضعی و دوقلوهای دیجیتال هیدرودینامیکی باشد.

کلمات کلیدی : جریان ناپایا جریان حفره‌ای مانع استوانه‌ای مدل کاهش‌مرتبه یادگیری ماشین دوقلوی دیجیتال