ТАТААЛ БЕТТЕРДЕГИ СУЙУКТУКТУН АГЫМЫ УЧУН ТЕРЕҢ ҮЙРӨНҮҮНҮН МОДЕЛДЕРИН ИШТЕП ЧЫГУУ МИСАЛДАРЫ
##semicolon##
https://doi.org/10.56122/..v1i2.449##semicolon##
суюктуктун динамикасы (гидродинамика), терең үйрөнүү, конволюциялык нейрон тармактары, моделдөө, прогноздоо, моделдин тактыгы жана каталары, суюктуктун агымы.Аннотация
Татаал беттердеги суюктуктун агымы суюктук динамикасынын (гидродинамиканын) маанилүү көйгөйү болуп саналат жана ал авиацияда, кеме курууда, метеорологияда, биомеханикада жана башка чөйрөлөрдө мисалы, экологиядагы колдонмо маселелер жана ар кандай колдонмо мүнөздөгү масштабдуу маселелер үчүн колдонулат. Салттуу эсептөө суюктуктарынын динамикасынын (гидродинамиканын) ыкмалары, өзгөчө турбуленттүү агымдарды жана геометриялык татаал беттик моделдөөдө олуттуу эсептөө ресурстарын талап кылат. Макалада бул көйгөйдү чечүү үчүн терең үйрөнүүгө негизделген сызыктуу эмес моделдер түзүлөт. Конволюциялык нейрон тармактары жана трансфердик терең үйрөнүү моделдери татаал беттерде суюктуктун агымын моделдөө жана прогноздоо үчүн иштелип чыккан. Мисалдардын жардамында конволюциялык нейрон тармактарын, трансферттик окутуу методдорун колдонуу менен терең үйрөнүү моделдерин иштеп чыгуу жана окутуу, моделдин натыйжалуулугун татаал тоскоолдук конфигурациялары үчүн чоң тактык менен сезилерлик натыйжалары көрсөтүлөт.
##submission.citations##
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).
##submission.downloads##
жарыяланган
##submission.howToCite##
Чыгаруу
Бөлүм
##submission.license##
##submission.copyrightStatement##
##submission.license.cc.by4.footer##This work is licensed under the Creative Commons Attribution 4.0 International License. To view a copy of this license, visit http://creativecommons.org/licenses/by/4.0/ or send a letter to Creative Commons, PO Box 1866, Mountain View, CA 94042, USA.
