ترجمه فارسی مقاله یک رویکرد یادگیری ماشینی تقسیم کن و حکومت کن برای مدل‌سازی جریان‌های آشفته

انتخاب پلن

انتخاب پلن برای ادامه خرید الزامی است.

پرداخت اقساطی
در صورت خرید اقساطی هر قسط: 37,500 تومان
۴ قسط ماهانه. بدون سود، چک و ضامن.
پرداخت اقساطی با دیجی‌پی پرداخت اقساطی با ترب‌پی
عنوان مقاله به انگلیسی A Divide-and-Conquer Machine Learning Approach for Modelling Turbulent Flows
عنوان مقاله به فارسی یک رویکرد یادگیری ماشینی تقسیم کن و حکومت کن برای مدل‌سازی جریان‌های آشفته
نویسندگان Anthony Man, Mohammad Jadidi, Amir Keshmiri, Hujun Yin, Yasser Mahmoudi
فرمت مقاله انگلیسی PDF
تعداد صفحات 30
لینک دانلود رایگان مقاله انگلیسی دانلود مقاله
دسته بندی موضوعات Fluid Dynamics,دینامیک سیال ,
توضیحات Submitted 24 August, 2024; originally announced August 2024. , Journal ref: Physics of Fluids 1 May 2023; 35 (5): 055110
توضیحات به فارسی ارسال شده در 24 اوت 2024 ؛در ابتدا اوت 2024 اعلام شد. ، مجله Ref: فیزیک مایعات 1 مه 2023 ؛35 (5): 055110
اطلاعات بیشتر از این مقاله در پایگاه های علمی INSPIRE HEP
NASA ADS
Google Scholar
Semantic Scholar

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

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

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

چکیده

In this paper, a novel zonal machine learning (ML) approach for Reynolds-averaged Navier-Stokes (RANS) turbulence modelling based on the divide-and-conquer technique is introduced. This approach involves partitioning the flow domain into regions of flow physics called zones, training one ML model in each zone, then validating and testing them on their respective zones. The approach was demonstrated with the tensor basis neural network (TBNN) and another neural net called the turbulent kinetic energy neural network (TKENN). These were used to predict Reynolds stress anisotropy and turbulent kinetic energy respectively in test cases of flow over a solid block, which contain regions of different flow physics including separated flows. The results show that the combined predictions given by the zonal TBNNs and TKENNs were significantly more accurate than their corresponding standard non-zonal models. Most notably, shear anisotropy component in the test cases was predicted at least 20% and 55% more accurately on average by the zonal TBNNs compared to the non-zonal TBNN and RANS, respectively. The Reynolds stress constructed with the zonal predictions was also found to be at least 23% more accurate than those obtained with the non-zonal approach and 30% more accurate than the Reynolds stress predicted by RANS on average. These improvements were attributed to the shape of the zones enabling the zonal models to become highly locally optimized at predicting the output.

چکیده به فارسی (ترجمه ماشینی)

در این مقاله ، یک رویکرد جدید یادگیری ماشین زون (ML) برای مدل سازی تلاطم به طور متوسط ​​رینولدز Navier-Stokes (RANS) بر اساس تکنیک تقسیم و تسخیر معرفی شده است.این رویکرد شامل تقسیم دامنه جریان به مناطقی از فیزیک جریان به نام مناطق ، آموزش یک مدل ML در هر منطقه ، سپس اعتبار و آزمایش آنها در مناطق مربوطه است.این رویکرد با شبکه عصبی پایه تانسور (TBNN) و یک شبکه عصبی دیگر به نام شبکه عصبی انرژی جنبشی آشفته (TKENN) نشان داده شد.اینها برای پیش بینی ناهمسانگردی استرس رینولدز و انرژی جنبشی آشفته به ترتیب در موارد آزمایش جریان بر روی یک بلوک جامد ، که شامل مناطقی از فیزیک جریان مختلف از جمله جریان های جدا شده است ، استفاده شد.نتایج نشان می دهد که پیش بینی های ترکیبی ارائه شده توسط TBNN های منطقه ای و TKENNS به طور قابل توجهی دقیق تر از مدلهای استاندارد غیر منطقه ای استاندارد آنها بودند.مهمتر از همه ، مؤلفه ناهمسانگردی برشی در موارد آزمون حداقل 20 ٪ و 55 ٪ دقیق تر به طور متوسط ​​توسط TBNN های منطقه ای در مقایسه با TBNN غیر زون و RAN ها پیش بینی شده است.استرس رینولدز ساخته شده با پیش بینی های منطقه ای نیز حداقل 23 ٪ دقیق تر از موارد به دست آمده با رویکرد غیر منطقه ای و 30 ٪ دقیق تر از استرس رینولدز پیش بینی شده توسط RAN ها به طور متوسط ​​مشخص شد.این پیشرفت ها به شکل مناطق این امکان را می دهد که مدل های منطقه ای را در پیش بینی خروجی بهینه سازی کنند.

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

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

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

نظرات

هنوز نظری ثبت نشده است.

وارد شوید تا نظر ثبت کنید.