فهرست نشریات علمی دسترسی آزاد ایران

یکی از رو‌‌‌‌ش‌هایی که برای بررسی پدیده‌ها و رفتار سیستم‌ها به کار می‌رود، مدل‌سازی ریاضی می‌باشد. بسیاری از پدیده‌های فیزیکی در زمینه‌های مختلف علوم طبیعی و رشته‌های مهندسی با مجموعه‌ای از معادلات دیفرانسیل توصیف می‌شوند که به عنوان مدل ریاضی سیستم فیزیکی ارجاع داده می‌شوند. در بسیاری از کاربردهای دنیای واقعی، مدل‌های ریاضی بسیار پیچیده هستند و شبیه‌سازی عددی در سیستم‌هایی با ابعاد بالا چالش برانگیز است. مسائل فیزیکی بزرگ‌مقیاس با تغییرات مکانی-زمانی زیاد مثل جریان‌های ژئوفیزیکی و اتمسفری نمونه‌ای از این مسائل می‌باشند. بنابراین توسعه الگوریتم‌های مؤثر و قوی که هدفشان دستیابی به حداکثر کیفیت قابل دستیابی از شبیه‌سازی‌های عددی با هزینه محاسباتی بهینه است، یک موضوع تحقیقاتی می‌باشد. از این رو ضرورت استفاده از روش‌هایی برای کاهش ابعاد حس می‌شود. روش‌های مختلفی برای کاهش بعد وجود دارد که در این پژوهش از ترکیب روش تجزیه متعامد بهینه و شبکه حافظه کوتاه‌مدت ماندگار استفاده شده‌است. در این پژوهش از شبکه حافظه کوتاه‌مدت ماندگار به منظور یادگیری تحول زمانی و از روش تجزیه متعامد بهینه برای محاسبه مودها و ایجاد مدل رتبه‌کاسته استفاده شده‌است. درنهایت با مقایسه نمودارهای مربوط به ضرایب اصلی و ضرایب پیش‌بینی شده با استفاده از مدل رتبه‌کاسته، دقت بالای این روش نشان داده شده‌است. یکی از مواردی که در بررسی الگوریتم‌ها موردتوجه می‌باشد، پیچیدگی زمانی اجرای الگوریتم می‌باشد. مرتبه زمانی روش پیشنهادی در شرایطی که از 15 مود جهت مدل‌سازی استفاده‌شده نسبت به زمانی‌که تمام ویژگی‌ها به کار برده‌شود، 10 مرتبه سریع‌تر می‌باشد. از طرفی تولید 90 درصد داده‌ها به روش دینامیک سیالات محاسباتی زمانی در حدود 325 دقیقه نیاز دارد. این در حالی‌است که آموزش شبکه برای پیش‌بینی رفتار سیستم به کمک روش پیشنهادی به 135دقیقه زمان نیاز دارد که اختلاف زمان محاسباتی قابل توجهی می‌باشد.