مدلهای دینامیک سیالات محاسباتی (CFD) تقویتشده با هوش مصنوعی برای پیشبینی برهمکنشهای غیرخطی موج-سازه
مدلهای دینامیک سیالات محاسباتی (CFD) تقویتشده با هوش مصنوعی برای پیشبینی برهمکنشهای غیرخطی موج-سازه
میلاد باغبان1
1) دانشجوی دکتری مهندسی دریا گرایش هیدرومکانیک، دانشگاه صنعتی امیرکبیر تهران، ایران
کد IOI مقاله
:
AAHD-AAKGKB
محل انتشار :
کنفرانس ملی فناوری اطلاعات، نانوتکنولوژی، هوش مصنوعی و آینده پژوهی فناوری (itnaf.ir)
چکیده :
پیشبینی دقیق برهمکنشهای غیرخطی موج-سازه به دلیل پیچیدگی آشفتگی و اثرات مرزی گذرا، همچنان یکی از چالشبرانگیزترین مسائل در هیدرودینامیک دریایی است. این مطالعه یک چارچوب دینامیک سیالات محاسباتی (CFD) تقویتشده با هوش مصنوعی ارائه میدهد که یک شبکه عصبی ترکیبی Convolutional-LSTM را با حلکننده Navier-Stokes ادغام میکند تا پیشبینیهای هیدرودینامیکی را تسریع و بهبود بخشد. شبیهسازیهای CFD با دقت بالا که از طریق Open FOAM تولید میشوند، پایه و اساس آموزش مدل جایگزین هوش مصنوعی برای تخمین فشار، سرعت و دینامیک سطح آزاد در حالتهای مختلف دریا را تشکیل میدهند. چارچوب ترکیبی پیشنهادی، ضمن حفظ ضریب همبستگی R² > 0.97 در مقایسه با معیارهای کامل CFD، به کاهش 62 درصدی در هزینه محاسباتی دست مییابد. اعتبارسنجی در برابر مجموعه دادههای معیار، بازسازی دقیق ریزش گردابه، پیکهای فشار و برخورد موج گذرا را نشان میدهد. اعتبارسنجی در برابر دادههای تجربی حوضه موج (معیار MARIN) تأیید میکند که این مدل به طور دقیق ریزش گردابه و پیکهای فشار را تحت ضربات موج غیرخطی بازتولید میکند. ظرفیت این مدل برای تعمیمپذیری بلادرنگ و بینهندسی، آن را به عنوان یک راهحل امیدوارکننده برای ادغام دوقلوهای دیجیتال، بهینهسازی طراحی فراساحلی و کنترل خودکار کشتی قرار میدهد. این یافتهها، امکانپذیری CFD با کمک هوش مصنوعی را به عنوان ابزاری از نظر فیزیکی سازگار و از نظر محاسباتی کارآمد برای هیدرودینامیک دریایی نشان میدهد.
کلمات کلیدی : دینامیک سیالات مدل تقویتشده با هوش مصنوعی شبکههای عصبی عمیق موج غیرخطی سیستمهای هوش مصنوعی دریایی