فهرست نشریات علمی دسترسی آزاد ایران

با توجه به هزینه زمانی و محاسباتی بالای روش‌های حل مستقیم یا عددی معادلات دیفرانسیل حاکم بر پدیده‌ها، پژوهش حاضر به ارائه روشی بدون معادله و مبتنی بر الگوریتم‌های یادگیری عمیق با استفاده از روش‌های کاهش بعد می‌پردازد. دو روش تحلیل مؤلفه‌های اصلی (خطی) و خودرمزنگار (غیرخطی) برای شبیه‌سازی پدیده انتقال حرارت پایا با استفاده از مجموعه داده‌های انتقال حرارت پایای دو بعدی در ابعاد 64×64 و 128×128 بکار رفت و از طریق ابزارها و کتابخانه‌های موجود در محیط پایتون پیاده‌سازی شد. طبق نتایج حاصل، در کاهش مرتبه شدید، خودرمزنگار و در کاهش مرتبه جزئی، تحلیل مؤلفه‌های اصلی دقت بالاتری دارد. همچنین خروجی‌های حاصل از مدل رتبه کاسته پیشنهادی با شبیه‌سازی‌های حاصل از مدلی مبتنی بر شبکه عصبی کانولوشنی با تعداد لایه‌ها و فیلترهای متعدد مقایسه شد. نتایج حاصل از شبیه‌سازی توزیع دمای پایا برحسب خطای میانگین مربعات (MSE) با استفاده از مدل‌های مبتنی بر تحلیل مؤلفه‌های اصلی، خودرمزنگار و مدل مبتنی بر شبکه‌های عصبی کانولوشنی در ابعاد 64×64 به ترتیب برابر با 4-10×1.617، 6-10×2.528 و 0.015 و در ابعاد 128×128 نیز برابر با 4-10×2.046، 6-10×7.253 و 0.0058 درجه سلسیوس در هر پیکسل است. بنابراین، مدل‌های رتبه کاسته پیشنهادی به‌ویژه مدل مبتنی بر روش خودرمزنگار از دقت بسیار بالاتری نسبت به مدل مبتنی بر شبکه‌های عصبی کانولوشنی برخوردار می‌باشد.