توسعه مدل رتبه‌کاسته جریان ژئوستروفیک با استفاده از ترکیب روش تجزیه متعامد بهینه و شبکه حافظه کوتاه مدت ماندگار

نوع مقاله : مقاله پژوهشی

نویسندگان

1 گروه مهندسی کامپیوتر و فناوری اطلاعات، دانشگاه قـم، قم، ایران

2 آزمایشگاه پژوهشی توربولانس دینامیک سیالات محاسباتی و احتراق، گروه مهندسی مکانیک، دانشگاه قـم، قم، ایران

چکیده

یکی از روش‌هایی که برای بررسی پدیده‌ها و رفتار سیستم‌ها به کار می‌رود، مدل‌سازی ریاضی می‌باشد. بسیاری از پدیده‌های فیزیکی در زمینه های مختلف علوم طبیعی و رشته‌های مهندسی با مجموعه‌ای از معادلات دیفرانسیل توصیف می‌شوند. مسائل فیزیکی بزرگ‌مقیاس با تغییرات مکانی-زمانی زیاد مثل جریان‌های ژئوفیزیکی و اتمسفری نمونه‌ای از این مسائل می‌باشند. از این رو ضرورت استفاده از روش‌هایی برای کاهش ابعاد حس می‌شود. روش‌های مختلفی برای کاهش بعد وجود دارد که در این پژوهش از ترکیب روش تجزیه متعامد بهینه و شبکه حافظه کوتاه‌مدت ماندگار استفاده شده‌است. در این پژوهش از شبکه حافظه کوتاه‌مدت ماندگار به منظور یادگیری تحول زمانی و از روش تجزیه متعامد بهینه برای محاسبه مودها و ایجاد مدل رتبه‌کاسته استفاده شده‌است. درنهایت با مقایسه نمودارهای مربوط به ضرایب اصلی و ضرایب پیش‌بینی شده با استفاده از مدل رتبه کاسته، دقت بالای این روش نشان داده شده است. یکی از مواردی که در بررسی الگوریتم‌ها موردتوجه می‌باشد، پیچیدگی زمانی اجرای الگوریتم می‌باشد. مرتبه زمانی روش پیشنهادی در شرایطی که از 15 مود جهت مدلسازی استفادهشده نسبت به زمانی‌که تمام ویژگی‌ها به کار برده‌شود، 10 مرتبه سریع‌تر می‌باشد. از طرفی تولید 90 درصد داده‌ها به روش شبیه‌سازیCFD زمانی در حدود 325 دقیقه نیاز دارد. این در حالی‌است که آموزش شبکه برای پیش‌بینی رفتار سیستم به کمک روش پیشنهادی به 135دقیقه زمان نیاز دارد که اختلاف زمان محاسباتی قابل توجهی می‌باشد

کلیدواژه‌ها

موضوعات


عنوان مقاله [English]

Development of a Reduced Order Model of Geostrophic Flow based on Combination of POD and Long-Short Term Memory Network

نویسندگان [English]

  • Mina Golzar 1
  • Mohammad Kazem Moayyedi 2
  • Faranak Ffotouhi Ghazvini 1
1 Department of Computer Engineering, University of Qom, Qom, Iran
2 CFD, Turbulence and Combustion Research Lab, Department of Mechanical Engineering, University of Qom, Qom, Iran
چکیده [English]

Mathematical modeling is used to study the phenomena and behavior of the system. Complex mathematical equations require powerful and time-consuming computational tools where they must be examined in order to obtain the correct behavior of a system.. In various science and engineering fields, many physical phenomena are introduced using a set of differential equations. They are known as mathematical models of physical systems. High-accuracy numerical simulations utilize numerical schemes and modeling tools to solve this set of equations and generate useful information about the behavior of a system. However, software engineering and processor technologies are rapidly advancing; computational complication is still an important factor in the simulation with high accuracy. It makes many restrictions in the solution of scientific problems in different research fields. Some examples of these problems are large-scale physical problems such as geophysical and atmospheric flows, which have high temporal and spatial variations. Therefore, the development of effective and robust algorithms to achieve the maximum quality of numerical simulations with the optimal computational cost is a research topic. There are several methods for dimension reduction but this study used a combination of POD and long short term memory (LSTM) network. Finally, comparing the results related to the modal coefficients which are obtained by the reduced-order model and CFD snapshots projection shows the high accuracy of the proposed method.

کلیدواژه‌ها [English]

  • Proper Orthogonal Decomposition
  • Long Short Term Memory network
  • Reduced Order Model
  • Geophysical data