एयरफोइल प्रवाहों के लिए रेयानल्ड्स-औसत नेवीर–स्टोक्स सिमुलेशन के लिए गहरे शिक्षण विधियाँ

यह अध्ययन रेयानल्ड्स-औसत नेवीर–स्टोक्स (RANS) समाधानों के अनुमान के लिए गहरे शिक्षण मॉडलों की सटीकता का अन्वेषण करता है। यह अध्ययन एक आधुनिक U-net वास्तुकला पर केंद्रित है और दबाव और गति वितरण के गणना के लिए प्रशिक्षित न्यूरल नेटवर्क की एक बड़ी संख्या का मूल्यांकन करता है। विशेष रूप से, यह प्रदर्शित किया गया है कि प्रशिक्षण डेटा का आकार और भारों की संख्या समाधान की सटीकता को कैसे प्रभावित करती है। सर्वोत्तम मॉडलों के साथ, यह अध्ययन पहले से अप्रकाशित एयरफोइल आकृतियों की एक श्रृंखला में 3% से कम का औसत सापेक्ष दबाव और गति त्रुटि प्राप्त करता है। इसके अतिरिक्त, सभी स्रोत कोड सार्वजनिक रूप से उपलब्ध हैं ताकि पुनरुत्पादन सुनिश्चित हो सके और भौतिक विज्ञान की समस्याओं के लिए गहरे शिक्षण विधियों में रुचि रखने वाले शोधकर्ताओं के लिए एक प्रारंभिक बिंदु प्रदान किया जा सके। हालांकि यह कार्य RANS समाधानों पर केंद्रित है, न्यूरल नेटवर्क वास्तुकला और शिक्षण सेटअप बहुत सामान्य हैं, और कार्टेशियन ग्रिड पर आंशिक भिन्नात्मक समीकरण सीमा मूल्य समस्याओं की एक विस्तृत श्रृंखला पर लागू होते हैं।