ТАТААЛ БЕТТЕРДЕГИ СУЙУКТУКТУН АГЫМЫ УЧУН ТЕРЕҢ ҮЙРӨНҮҮНҮН МОДЕЛДЕРИН ИШТЕП ЧЫГУУ МИСАЛДАРЫ

Акпари Турганбаева; Барат Сабитов; Кулийпа Бердибекова

doi:10.56122/..v1i2.449

Авторы

Турганбаева Акпари Балтабаевна Ошский государственный педагогический университет имени А. Ж. Мырсабекова
Сабитов Барат Рахманович Кыргызский национальный университет имени Ж. Баласагына
Бердибекова Кулийпа Турдибековна Ошский государственный педагогический университет имени А. Ж. Мырсабекова

DOI:

https://doi.org/10.56122/..v1i2.449

Ключевые слова:

динамика жидкости (гидродинамика), глубокое обучение, сверточные нейронные сети, моделирование, прогнозирование, точность и ошибки моделей, течение жидкости.

Аннотация

Течение жидкости на сложных поверхностях является важной задачей гидродинамики и используется в авиации, судостроении, метеорологии, биомеханике и других областях, например, для решения прикладных задач экологии и крупномасштабных задач различного прикладного характера. Традиционные методы вычислительной гидродинамики, особенно при моделировании турбулентных течений и геометрически сложных поверхностей, требуют значительных вычислительных ресурсов. В статье для решения этой задачи разрабатываются нелинейные модели на основе глубокого обучения. Разрабатываются сверточные нейронные сети и модели глубокого обучения с трансфером для моделирования и прогнозирования течения жидкости на сложных поверхностях. На примерах демонстрируется разработка и обучение моделей глубокого обучения с использованием сверточных нейронных сетей и методов трансфера обучения, а также демонстрируется высокая точность и ощутимые результаты при работе с препятствиями сложной конфигурации.

Библиографические ссылки

Zuo, W. & Chen, Q. Real-time or faster-than-real-time simulation of airflow in buildings. Indoor Air 19, 33 (2009). Article CAS PubMed Google Scholar.

Hosain, M. L. & Fdhila, R. B. Literature review of accelerated cfd simulation methods towards online application. Energy Proc. 75, 3307–3314 (2015). Article Google Scholar.

Stam, J. Real-time fluid dynamics for games. In Proceedings of the Game Developer Conference, vol. 18 25 (2003).

Krüger, J. H. & Westermann, R. Gpu simulation and rendering of volumetric effects for computer games and virtual environments. In Computer Graphics Forum, vol. 24 685–694 (North Holland, 2005).

Vinuesa, R. & Brunton, S. L. Enhancing computational fluid dynamics with machine learning. Nat. Comput. Sci. 2, 358–366 (2022). Article PubMed Google Scholar.

Obiols-Sales, O., Vishnu, A., Malaya, N. & Chandramowliswharan, A. Cfdnet: A deep learning-based accelerator for fluid simulations. In Proceedings of the 34th ACM International Conference on Supercomputing 1–12 (2020).Karniadakis, G. E. et al. Physics-informed machine learning. Nat. Rev. Phys. 3, 422–440 (2021). Article Google Scholar.

Ronneberger, O., Fischer, P. & Brox, T. U-net: Convolutional networks for biomedical image segmentation. In International Conference on Medical Image Computing and Computer-Assisted Intervention 234–241 (Springer, 2015).

Guo, X., Li, W. & Iorio, F. Convolutional neural networks for steady flow approximation. In Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining 481–490 (2016).