استفاده از یادگیری عمیق (Deep Learning) برای پیش بینی جریان سیال

آیا تابحال به این فکر کرده اید که چطور هوش مصنوعی می تواند به شما در شبیه سازی کامپیوتری و یا همان CAE کمک کند؟ در اینجا به یک نمونه اشاره می کنیم.

حل یک مساله سیالاتی به دو چیز نیاز دارد: قدرت محاسباتی و زمان شبیه سازی. در کنار این دو شما به تخصص عمیقی در CFD نیازمند هستید تا بتوانید شبیه سازی خود را به درستی انجام دهید. در این پروژه، روش شبکه عصبی مصنوعی (Artificial Neural Network) به منظور حدس زدن جریان سیال حول یک جسم فقط با دادن شکل آن، اجرا شده است. هدف، استفاده از ANN برای حل مسائل دینامیک سیالات است به طوری که زمان شبیه سازی به مقدار قابل توجهی کاهش یابد و در کنار آن دقت مورد قبول حلگرهای محاسباتی معمول دیگر نیز حفظ گردد. تولید تعداد بسیار زیادی از نمونه های شبیه سازی یک نیاز مبرم برای شبکه عصبی است تا بتواند رابطه بین شکل جسم و جریان سیال حول آن را یاد بگیرد.

به همین منظور، این پروژه توسط شرکت Renumics در شهر Karlsruhe آلمان و در جایی دیگر توسط شرکتی به نام UberCloud در شهر SunnyVale در سانفرانسیسکوی آمریکا شروع به کار کردند تا بتوانند با بهره گیری از ابر کامپیوتر دیتاسنتر Advania تعداد زیادی شبیه سازی را به صورت موازی در مدت زمان کوتاهی انجام دهند.

در این پروژه ما می خواستیم ببینیم که چطور افزایش تعداد شبیه سازی ها باعث افزایش دقت در حل نهایی میشد. این کار با استفاده از نرم افزار OpenFOAM به عنوان حلگر پایه شبیه سازی ها انجام شد و سپس نتایج برای آموزش شبکه عصبی استفاده گردید.

مرور کلی بر نحوه انجام کار

برای اینکه بتوان به صورت خودکار نمونه های شبیه سازی را ساخت، یک برنامه چهار مرحله ای برای فرآیند یادگیری عمیق (Deep Learning) پیاده سازی شد. همانند شکل زیر:

  1. شکل های تصادفی دو بعدی ساخته می شوند. آنها باید به اندازه کافی نسبت به هم متفاوت باشند تا شبکه عصبی بتواند به خوبی رابطه بین انواع مختلف شکل ها و جریان سیال حول آنها را پیدا کند.
  2. میدان دربرگیرنده (Domain) شکل ها شبکه بندی شده و وارد نرم افزار اپنفوم برای شبیه سازی میگردند.
  3. نتایج شبیه سازی توسط نرم افزار Paraview پس پردازش می شوند.
  4. طراحی شبیه سازی شده و میدان های جریان سیال، به عنوان ورودی به شبکه عصبی داده می شوند.

بعد از اتمام یادگیری هوش مصنوعی، شبکه عصبی خواهد توانست تا جریان سیال را صرفا فقط با دیدن شکل جسم نتیجه گیری کند.

نتایج یادگیری

توسط یک رایانه رومیزی (Desktop Computer) مهندسی، حدود 13 ساعت و 10 دقیقه طول کشید تا 10 هزار نمونه آماد شوند، که البته این کار روی تنها یک گره از ابرکامپیوتر Advania حدود 2 ساعت طول کشید که 6.3 برابر آن است.

در ادامه کار 70 هزار نمونه دیگر آماده شد. سپس ما خطاها و دقت شبکه عصبی را برای شکل های با اندازه های مختلف مقایسه کردیم. برای اینکه بتوانیم میزان خطا و یا دقت شبکه عصبی را بدست بیاوریم، پارامتری به نام پیش بینی خطای شبکه عصبی تعریف کردیم. این پارامتر، میزان اختلاف بین نتایج شبکه عصبی و نتایج حاصل یک شبیه سازی کامل (Fully Simulated) را اندازه گیری میکند. خطای 0.0 به این معنی است که تمامی میدان های سرعت جریان در مجموعه داده ها به بهترین شکل پیش بینی شده اند. شبیه به همین، پارامتر دیگری به نام میزان دقت شبکه عصبی باید تعریف شود. شما می توانید برای دیدن جزئیات به مقاله کامل مراجعه کنید.

هرچقدر که شکل ها در هنگام یادگیری شبکه عصبی نسبت به هم تفاوت بیشتری داشتند، او می توانست بهتر و سریعتر میدان سرعت جریان را بدست بیاورد. به عنوان نمونه شکل زیر تفاوت بین یک شبیه سازی کامل (به صورت سنتی) در سمت چپ و یک شبیه سازی پیش بینی شده توسط هوش مصنوعی در سمت راست را بعد از 300 هزار بار یادگیری نشان می دهد. جهت پیکان ها نشان دهنده جهت جریان هستند و رنگ پیکان ها نشان دهنده مقدار سرعت جریان در آن نقطه است. با چشم، تفاوتی بین دو میدان نمی توان دید.

نتیجه گیری

ما توانستیم ادعای مهندسین یادگیری ماشین (Machine Learning) را دوباره اثبات کنیم که همواره می گویند: داده بیشتر، نتایج بهتر!

این نکته را نشان دادیم که با مقدار داده های بیشتر، هوش مصنوعی خیلی سریع تر و با دقت بالاتری می تواند جریان سیال را پیش بینی کند. تنها مشکل موجود، تعداد زیاد نمونه های مورد نیاز برای شبیه سازی اولیه به عنوان ورودی به هوش مصنوعی است که این هم توسط یک ابرکامپیوتر قابل حل است. حتی می توان با استفاده از گره های (Node) بیشتر در یک ابر کامپیوتر، سرعت حل نمونه ها را به مراتب افزایش داد که این امر باعث خواهد شد بتوان صدها هزار نمونه را در عرض چند دقیقه شبیه سازی کرد.

مولف: Wolfgang Gentzsch
منبع: لینکدین

آموزشی

2 دیدگاه. ارسال دیدگاه جدید

برای نوشتن دیدگاه باید وارد بشوید.
فهرست
X