بخشی از مقاله
خلاصه
جریان آشفته به نوعی جریان اطلاق می شود که مشخصه آن تغییرات اتفاقی و بی سازمان خصوصیات سیال است. در این جریان بواسطه فرآیندهای اختلاطی شدید، جز در نواحی بسیار نزدیک به دیواره، شکل لایه های جریان به راحتی قابل تشخیص نبوده و ذرات سیال مسیر مشخصی را طی نمی کنند.
از این رو، همواره شناسایی جریان آشفته و بدست آوردن پارامترهای این جریان، از جمله مهم ترین دغدغه های محققین در این زمینه بوده است. به همین سبب در این مقاله به شبیه سازی شدت آشفتگی جریان سیال بر روی صفحه تخت با استفاده از شبکه عصبی مصنوعی پرداخته شده است. جریان سیال بر روی صفحه تخت در بازه اعداد رینولدز ۶١٠ تا ١٠٩ با استفاده از مدل تنش رینولدز مدل سازی شده است، سپس شدت آشفتگی حاصل از مدل سازی با استفاده از یک شبکه پس انتشار پس خور ٣ لایه با تابع آموزش لوونبرگ- مارکواردت، براساس عدد رینولدز و مختصات هر نقطه از میدان جریان سیال، شبیه سازی شده است.
نتایج حاصل از این مقاله نشان دادند که مدل آشفتگی تنش رینولدز دقت بسیار بالایی در مدل سازی جریان آشفته دارد و همچنین بیانگر این است که شبکه عصبی پس انتشار پس خور، یک شبکه عصبی مناسب و دارای سرعت بالا در شبیه سازی شدت آشفتگی این جریان را دارد.
١. مقدمه
دنیای پیرامون، متشکل است از پدیده هایی فیزیکی بسیاری که بخش قابل توجهی از این پدیده ها، در حیطه مکانیک سیالات قرار می گیرد. جریان های اقیانوسی، توده های هوایی، جریان خون در رگ ها، مجراهای تنفسی، جریان سیال اطراف خودرو، جریان باد در اطراف ساختمان و بسیاری از پدیده های سیالاتی، نمونه ای از این فیزیک ها هستند. طراحی صحیح و هوشمندانه بسیاری از تجهیزات مهندسی، نیازمند درک صحیحی از این پدیده ها است.
جریان آشفته بر روی صفحه تخت یکی از ساده ترین و در عین حال اساسی ترین جریان های سیالات است که کاربردهای گوناگونی در زمینه های مختلف دارد؛ بدین منظور از دانش مکانیک سیالات، بر پایه قوانین حرکتی ارائه شده توسط نیوتن، برای تحلیل و تحقیق در مورد این جریان استفاده می شود. این قوانین به صورت کلی در قالب چهار معادله اصلی برای بقای جرم و مومنتوم ارائه می گردد.
این معادلات که با نام معادلات ناویر استوکس نیز معرفی می شوند، با وجود دقت کافی برای غالب پدیده های مکانیک سیالات، در بسیاری از موارد، به دلیل پیچیدگی های بالای حل، به صورت مستقیم قابل ارزیابی نیستند و به دلیل حضور ترم های غیرخطی و همچنین همبستگی چهار معادله به یکدیگر، به عنوان یکی از پیچیده ترین معادلات دنیای علم، معرفی می شوند. حل مستقیم و تحلیلی این معادلات، جز در موارد بسیار محدود و با در نظر گرفتن بسیاری از فرضیات ساده سازی، ممکن نیست.
در این شرایط و با توجه به ضعف روش های ریاضی در حل معادلات ناویر استوکس، نیازمند روش های دیگری هستیم. تجربه و آزمایش، یکی از گزینه های جایگزین است که با وجود دقت نسبتا بالا، به دلیل هزینه های بالای انجام آزمایش از یک سو و عدم امکان انجام آن بر روی تمامی فیزیک های مورد نظر از سوی دیگر، دارای محدودیت های بسیار است. در میان نتایج تجربی می توان به تحقیقات انجام شده توسط شولتز و گرونوف١ در سال ٠۴١٩، تیلمن٢ در سال ٠۵١٩، لودویگ و کلبانوف٣ در سال ۵۵١٩ و اسمیت و واکر٤ در سال ۵۵١٩، اشاره کرد.
سپس شبیه سازی مستقیم عددی٥ - DNS - به عنوان روشی برای تحلیل چنین جریان هایی ارائه شد. در مورد شبیه سازی عددی مستقیم می توان از نتایج بدست آمده از اسپالارت٦ در رینولدز های پایین نام برد.
دیدگاه دیگری که در بسیاری از پروژه های امروزی، به فراوانی مورد توجه قرار می گیرد، استفاده از روش های عددی است. روش های حل عددی در حیطه مهندسی مکانیک، به صورت خاص، با نام دینامیک سیالات محاسباتی٧ - CFD - شناخته می شوند.
از جمله تحقیقات و مقالات در این راستا می توان به مقاله سادا و ایشیکاوا٨ در سال ١٩٩٣، که به مدلسازی جریان بر روی صفحه تخت با استفاده از مدل K-ԑ غیر ایزوتروپ١ اشاره کرد]۴.[ همچنین ﷴی و همکارنش در سال ١٣٨٧ با استفاده از مدل گردابه های بزرگ٢] - LES - ۵[ و فؤاد صالح٣ و همکارش در در سال ۶٢٠٠ با استفاده از روش K-ԑ به مدلسازی این جریان پرداخته اند
از سوی دیگر شبکه های عصبی مصنوعی٤ یا به زبان ساده تر شبکه های عصبی، روش محاسباتی نوینی برای یادگیری ماشینی، نمایش دانش و در انتها اعمال دانش بدست آمده در جهت پیش بینی پاسخ های خروجی از سامانه های پیچیده هستند.
در نتیجه استفاده همزمان از دینامیک سیالات محاسباتی و شبکه عصبی مصنوعی، راه کار مطلوبی در راستای مدل سازی و شبیه سازی مسائل پیچیده ای همچون مسائل جریان آشفته و پیش بینی رفتار وخصوصیات این جریان، ارائه می دهد.