ترجمه فارسی مقاله چارچوب مدل‌سازی چندمقیاسی یک سیال مقید با مرزهای پیچیده با استفاده از شبکه‌های عصبی دوقلو

چکیده

The properties of constrained fluids have increasingly gained relevance for applications ranging from materials to biology. In this work, we propose a multiscale model using twin neural networks to investigate the properties of a fluid constrained between solid surfaces with complex shapes. The atomic scale model and the mesoscale model are connected by the coarse-grained potential which is represented by the first neural network. Then we train the second neural network model as a surrogate to predict the velocity profile of the constrained fluid with complex boundary conditions at the mesoscale. The effect of complex boundary conditions on the fluid dynamics properties and the accuracy of the neural network model prediction are systematically investigated. We demonstrate that the neural network-enhanced multiscale framework can connect simulations at atomic scale and mesoscale and reproduce the properties of a constrained fluid at mesoscale. This work provides insight into multiscale model development with the aid of machine learning techniques and the developed model can be used for modern nanotechnology applications such as enhanced oil recovery and porous materials design.

چکیده به فارسی (ترجمه ماشینی)

خواص مایعات محدود به طور فزاینده ای برای برنامه های کاربردی از مواد تا زیست شناسی به دست آورده است.در این کار ، ما یک مدل چند مقیاس را با استفاده از شبکه های عصبی دوقلوی پیشنهاد می کنیم تا خصوصیات یک سیال محدود شده بین سطوح جامد با اشکال پیچیده را بررسی کنیم.مدل مقیاس اتمی و مدل mesoscale توسط پتانسیل درشت دانه ای که توسط اولین شبکه عصبی نشان داده شده است ، متصل می شوند.سپس ما مدل دوم شبکه عصبی را به عنوان یک جانشین آموزش می دهیم تا مشخصات سرعت مایع محدود شده با شرایط مرزی پیچیده در Mesoscale را پیش بینی کنیم.تأثیر شرایط مرزی پیچیده بر خصوصیات دینامیک سیال و دقت پیش بینی مدل شبکه عصبی به طور سیستماتیک مورد بررسی قرار می گیرد.ما نشان می دهیم که چارچوب چند مقیاس پیشرفته شبکه عصبی می تواند شبیه سازی ها را در مقیاس اتمی و mesoscale متصل کند و خواص یک مایع محدود در Mesoscale را بازتولید کند.این کار با کمک تکنیک های یادگیری ماشین ، بینشی در مورد توسعه مدل چند مقیاس ارائه می دهد و از مدل توسعه یافته می توان برای برنامه های مدرن فناوری نانو مانند بهبودی روغن و طراحی مواد متخلخل استفاده کرد.