ترجمه فارسی مقاله NeuroSEM: یک چارچوب ترکیبی برای شبیه‌سازی مسائل چندفیزیکی با جفت کردن PINNها و عناصر طیفی

چکیده

Multiphysics problems that are characterized by complex interactions among fluid dynamics, heat transfer, structural mechanics, and electromagnetics, are inherently challenging due to their coupled nature. While experimental data on certain state variables may be available, integrating these data with numerical solvers remains a significant challenge. Physics-informed neural networks (PINNs) have shown promising results in various engineering disciplines, particularly in handling noisy data and solving inverse problems. However, their effectiveness in forecasting nonlinear phenomena in multiphysics regimes is yet to be fully established. This study introduces NeuroSEM, a hybrid framework integrating PINNs with the high-fidelity Spectral Element Method (SEM) solver, Nektar++. NeuroSEM leverages strengths of both PINNs and SEM, providing robust solutions for multiphysics problems. PINNs are trained to assimilate data and model physical phenomena in specific subdomains, which are then integrated into Nektar++. We demonstrate the efficiency and accuracy of NeuroSEM for thermal convection in cavity flow and flow past a cylinder. The framework effectively handles data assimilation by addressing those subdomains and state variables where data are available. We applied NeuroSEM to the Rayleigh-Bénard convection system, including cases with missing thermal boundary conditions. Our results indicate that NeuroSEM accurately models the physical phenomena and assimilates the data within the specified subdomains. The framework’s plug-and-play nature facilitates its extension to other multiphysics or multiscale problems. Furthermore, NeuroSEM is optimized for an efficient execution on emerging integrated GPU-CPU architectures. This hybrid approach enhances the accuracy and efficiency of simulations, making it a powerful tool for tackling complex engineering challenges in various scientific domains.

چکیده به فارسی (ترجمه ماشینی)

مشکلات چند فیزیک که با تعامل پیچیده بین پویایی سیال ، انتقال حرارت ، مکانیک ساختاری و الکترومغناطیسی مشخص می شوند ، به دلیل ماهیت همراه آنها ذاتاً چالش برانگیز هستند.در حالی که داده های تجربی در مورد متغیرهای خاص ممکن است در دسترس باشد ، ادغام این داده ها با حلال های عددی همچنان یک چالش مهم است.شبکه های عصبی آگاه از فیزیک (PINN) نتایج امیدوارکننده ای را در رشته های مختلف مهندسی ، به ویژه در رسیدگی به داده های پر سر و صدا و حل مشکلات معکوس نشان داده اند.با این حال ، اثربخشی آنها در پیش بینی پدیده های غیرخطی در رژیم های چند فیزیک هنوز کاملاً مشخص نشده است.این مطالعه Neurosem ، یک چارچوب ترکیبی را که ادغام PINN ها با روش عناصر طیف وفاداری بالا (SEM) Solver ، Nektar ++ است ، معرفی می کند.Neurosem از نقاط قوت هر دو PINNS و SEM استفاده می کند و راه حل های قوی برای مشکلات Multiphysics ارائه می دهد.PINN ها برای جذب داده ها و مدل سازی پدیده های فیزیکی در زیر دامنه های خاص آموزش داده می شوند ، که سپس در Nektar ++ ادغام می شوند.ما کارآیی و صحت NeuroSem را برای همرفت حرارتی در جریان حفره نشان می دهیم و از یک سیلندر عبور می کنیم.این چارچوب با پرداختن به آن زیر دامنه ها و متغیرهای حالت که در آن داده ها در دسترس هستند ، به طور مؤثر جذب داده ها را کنترل می کند.ما NeuroSem را به سیستم همرفت Rayleigh-Bénard اعمال کردیم ، از جمله مواردی که شرایط مرزی حرارتی از دست رفته است.نتایج ما نشان می دهد که Neurosem به طور دقیق از پدیده های فیزیکی مدل می کند و داده ها را در زیر دامنه های مشخص شده جذب می کند.طبیعت پلاگین و بازی این چارچوب ، پسوند آن را به سایر مولتیسیک ها یا مشکلات چند مقیاس تسهیل می کند.علاوه بر این ، Neurosem برای اجرای کارآمد در معماری های یکپارچه GPU-CPU در حال ظهور بهینه شده است.این رویکرد ترکیبی باعث افزایش دقت و کارآیی شبیه سازی ها می شود و آن را به ابزاری قدرتمند برای مقابله با چالش های مهندسی پیچیده در حوزه های مختلف علمی تبدیل می کند.