الشبكات العصبية المستندة إلى الفيزياء لمشاكل انتقال الحرارة

ملخص اكتسبت الشبكات العصبية المستندة إلى الفيزياء (PINNs) شعبية في مختلف مجالات الهندسة بسبب فعاليتها في حل المشكلات الواقعية مع بيانات ضوضائية وغالبًا ما تكون الفيزياء جزئيًا مفقودة. في PINNs، يتم الاستفادة من التمايز التلقائي لتقييم المشغلين التفاضليين دون أخطاء التخصيص، ويُعرف مشكلة تعلم متعددة المهام بهدف مطابقة البيانات المرصودة مع احترام القوانين الأساسية الحاكمة للفيزياء. هنا، نقدم تطبيقات لـ PINNs لمجموعة متنوعة من مشاكل نقل الحرارة النموذجية، مع التركيز بشكل خاص على الظروف الواقعية التي لا يمكن معالجتها بسهولة بأساليب الحوسبة التقليدية. لتحقيق ذلك، ندرس أولاً الحمل القسري والمختلط مع ظروف حدود حرارية غير معروفة على الأسطح المسخنة ونسعى للحصول على مجالات الحرارة والسرعة في كل مكان في النطاق، بما في ذلك الحدود، مع وجود بعض قياسات الحرارة النادرة. كما ندرس مشكلة ستيفن النموذجية لتدفق مرحلتين، ونسعى لاستنتاج الواجهة المتحركة، ومجالات السرعة والحرارة في كل مكان فضلاً عن التوصيلات المختلفة لمرحلة صلبة وسائلة، مع وجود بعض قياسات الحرارة داخل المجال. أخيرًا، نقدم بعض التطبيقات الصناعية الواقعية المتعلقة بإلكترونيات الطاقة لتسليط الضوء على مدى قابلية PINNs وكذلك الاستخدام الفعال للشبكات العصبية في حل مشكلات انتقال الحرارة العامة ذات التعقيد الصناعي. توضح النتائج المقدمة هنا أن PINNs لا يمكنها فقط حل المشكلات غير المحددة، التي تتجاوز القدرات المحدودة لأساليب الحوسبة التقليدية، ولكنها أيضًا يمكن أن تسد الفجوة بين نقل الحرارة الحاسوبي والتجريبي.