إعادة بناء مجال تدفق دخول الماء في الأسطوانة باستخدام الشبكات العصبية البيانية

تقترح هذه الدراسة طريقة تعتمد على الشبكة العصبية البيانية (GNN) لإعادة بناء مجال تدفق دخول الماء لأسطوانة، حيث يتم إنشاء مجموعات بيانات تحتوي على زوايا أولية مختلفة وأرقام فريد، من خلال محاكيات عددية، وتجمع بين topología الشبكة غير الهيكلية وبيانات المجال الفيزيائي لتدريب النموذج. تظهر النتائج أن نموذج GNN يمكنه تعلم القوانين الضمنية لتطور واجهة الطور من مجالات السرعة والضغط المعروفة والتنبؤ بكسر حجم الماء غير المعروف. في حالة رقم فريد 15.65 وزاوية أولية 0 °، يتنبأ نموذج GNN المدرب بنجاح بالعملية العالمية لتشكيل وتطور وقطع التجويف، مع حدوث أكبر خطأ بالقرب من السطح الحر وحدود مجال التدفق. يرتبط خطأ التنبؤ بكسر حجم الماء بشكل إيجابي مع رقم فريد والزوايا الأولية، وتتناقص قدرة نموذج GNN على التقاط تفاصيل التدفق مع زيادة رقم فريد والزوايا. يمكن تقليل الخطأ عن طريق إضافة حالات مماثلة إلى مجموعة تدريب البيانات. تقدم هذه الدراسة فكرة جديدة لإعادة بناء وتنبؤ مجالات تدفق دخول الماء بسرعة. في الأبحاث المستقبلية، يمكن تحسين دقة التنبؤ والعمومية بشكل أكبر من خلال إضافة قيود فيزيائية وتحسين النماذج.