ترجمه فارسی مقاله پیشرفت‌های اخیر در یادگیری ماشین برای دینامیک سیالات محاسباتی: یک نظرسنجی

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 Recent Advances on Machine Learning for Computational Fluid Dynamics: A Survey
عنوان مقاله به فارسی پیشرفت‌های اخیر در یادگیری ماشین برای دینامیک سیالات محاسباتی: یک نظرسنجی
نویسندگان Haixin Wang, Yadi Cao, Zijie Huang, Yuxuan Liu, Peiyan Hu, Xiao Luo, Zezheng Song, Wanjia Zhao, Jilin Liu, Jinan Sun, Shikun Zhang, Long Wei, Yue Wang, Tailin Wu, Zhi-Ming Ma, Yizhou Sun
فرمت مقاله انگلیسی PDF
تعداد صفحات 22
لینک دانلود رایگان مقاله انگلیسی دانلود مقاله
دسته بندی موضوعات Machine Learning,یادگیری ماشین ,
توضیحات Submitted 22 August, 2024; originally announced August 2024. , Comments: 22 pages, 6 figures
توضیحات به فارسی ارسال شده در 22 اوت 2024 ؛در ابتدا اوت 2024 اعلام شد ، نظرات: 22 صفحه ، 6 شکل
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

This paper explores the recent advancements in enhancing Computational Fluid Dynamics (CFD) tasks through Machine Learning (ML) techniques. We begin by introducing fundamental concepts, traditional methods, and benchmark datasets, then examine the various roles ML plays in improving CFD. The literature systematically reviews papers in recent five years and introduces a novel classification for forward modeling: Data-driven Surrogates, Physics-Informed Surrogates, and ML-assisted Numerical Solutions. Furthermore, we also review the latest ML methods in inverse design and control, offering a novel classification and providing an in-depth discussion. Then we highlight real-world applications of ML for CFD in critical scientific and engineering disciplines, including aerodynamics, combustion, atmosphere & ocean science, biology fluid, plasma, symbolic regression, and reduced order modeling. Besides, we identify key challenges and advocate for future research directions to address these challenges, such as multi-scale representation, physical knowledge encoding, scientific foundation model and automatic scientific discovery. This review serves as a guide for the rapidly expanding ML for CFD community, aiming to inspire insights for future advancements. We draw the conclusion that ML is poised to significantly transform CFD research by enhancing simulation accuracy, reducing computational time, and enabling more complex analyses of fluid dynamics. The paper resources can be viewed at https://github.com/WillDreamer/Awesome-AI4CFD.

چکیده به فارسی (ترجمه ماشینی)

در این مقاله به بررسی پیشرفتهای اخیر در تقویت وظایف دینامیک سیال محاسباتی (CFD) از طریق تکنیک های یادگیری ماشین (ML) می پردازیم.ما با معرفی مفاهیم اساسی ، روشهای سنتی و مجموعه داده های معیار شروع می کنیم ، سپس نقش های مختلفی را که ML در بهبود CFD بازی می کند ، بررسی می کنیم.این ادبیات به طور سیستماتیک مقالات را در پنج سال اخیر بررسی می کند و طبقه بندی جدیدی را برای مدل سازی رو به جلو معرفی می کند: جانشین های داده محور ، جانشین های آگاه از فیزیک و راه حل های عددی با کمک ML.علاوه بر این ، ما همچنین آخرین روش های ML را در طراحی و کنترل معکوس مرور می کنیم ، طبقه بندی جدیدی را ارائه می دهیم و یک بحث عمیق را ارائه می دهیم.سپس ما کاربردهای دنیای واقعی ML برای CFD را در رشته های مهم علمی و مهندسی ، از جمله آیرودینامیک ، احتراق ، جو و علوم اقیانوس ، مایع زیست شناسی ، پلاسما ، رگرسیون نمادین و مدل سازی سفارش برجسته می کنیم.علاوه بر این ، ما چالش های کلیدی را شناسایی می کنیم و از مسیرهای تحقیقاتی آینده برای رفع این چالش ها ، مانند بازنمایی چند مقیاس ، رمزگذاری دانش فیزیکی ، مدل بنیاد علمی و کشف علمی خودکار ، دفاع می کنیم.این بررسی به عنوان راهنمایی برای گسترش سریع ML برای جامعه CFD ، با هدف الهام بخشیدن به بینش برای پیشرفت های آینده است.ما نتیجه گیری می کنیم که ML با افزایش دقت شبیه سازی ، کاهش زمان محاسباتی و امکان تجزیه و تحلیل پیچیده تر از پویایی سیال ، به طور قابل توجهی تحقیقات CFD را تغییر می دهد.منابع کاغذی را می توان در https://github.com/willdreamer/awesome-ai4cfd مشاهده کرد.

📚 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.