ترجمه فارسی مقاله شبکه باقیمانده در مقیاس دوگانه برای حل و فصل مقیاس زیر شبکه جریان آشفته: تجزیه و تحلیل قبلی

• کتاب صدها نکته فارسی (خودمونی) – نسخه PDF — زبان ساده و کاربردی
  مشاهده نمونه نسخه نکات ساده
• کتاب صدها نکته رسمی فارسی – نسخه PDF — نگارش استاندارد و علمی
  مشاهده نمونه نسخه نکات رسمی
• کتاب صدها پرسش و پاسخ تشریحی – نسخه PDF
  — هر سؤال همراه با پاسخ کامل برای درک عمیق مفاهیم
  مشاهده نمونه نسخه پرسش و پاسخ
• کتاب پرسش و پاسخ چهارگزینه‌ای – نسخه یادگیری سریع
  — پاسخ‌ها بلافاصله بعد از سؤال برای مرور سریع
  مشاهده نمونه نسخه کوییز سریع
• کتاب پرسش و پاسخ چهارگزینه‌ای – نسخه خودآزمایی
  — پاسخ‌ها در انتهای بخش‌ها برای سنجش واقعی یادگیری
  مشاهده نمونه نسخه آزمونی

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

چکیده

This paper introduces generative Residual Networks (ResNet) as a surrogate Machine Learning (ML) tool for Large Eddy Simulation (LES) Sub Grid Scale (SGS) resolving. The study investigates the impact of incorporating Dual Scale Residual Blocks (DS-RB) within the ResNet architecture. Two LES SGS resolving models are proposed and tested for prior analysis test cases: a super-resolution model (SR-ResNet) and a SGS stress tensor inference model (SGS-ResNet). The SR-ResNet model task is to upscale LES solutions from coarse to finer grids by inferring unresolved SGS velocity fluctuations, exhibiting success in preserving high-frequency velocity fluctuation information, and aligning with higher-resolution LES solutions' energy spectrum. Furthermore, employing DS-RB enhances prediction accuracy and precision of high-frequency velocity fields compared to Single Scale Residual Blocks (SS-RB), evident in both spatial and spectral domains. The SR-ResNet model is tested and trained on filtered/downsampled 2-D LES planar jet injection problems at two Reynolds numbers, two jet configurations, and two upscale ratios. In the case of SGS stress tensor inference, both SS-RB and DS-RB exhibit higher prediction accuracy over the Smagorinsky model with reference to the true DNS SGS stress tensor, with DS-RB-based SGS-ResNet showing stronger statistical alignment with DNS data. The SGS-ResNet model is tested on a filtered/downsampled 2-D DNS isotropic homogenous decay turbulence problem. The adoption of DS-RB incurs notable increases in network size, training time, and forward inference time, with the network size expanding by over tenfold, and training and forward inference times increasing by approximately 0.5 and 3 times, respectively.

چکیده به فارسی (ترجمه ماشینی)