Speaker
Description
Численное моделирование тепловых процессов играет ключевую роль в различных областях науки и техники, способствуя пониманию физических явлений и созданию новых технологий. Применение сеточных методов в таких исследованиях значительно увеличивает вычислительную нагрузку. Вместе с тем развитие методов моделирования с применением машинного обучения позволяет решать подобные задачи в значительно меньшие сроки. В данной работе приводятся результаты работы по разработке и исследованию метода моделирования одномерной и двумерной задач стационарной теплопроводности на основе свёрточных нейронных сетей. Модель реализована с использованием библиотеки Tensorflow. Данные, используемые для обучения могут быть получены из аналитического решения или с помощью моделирования в программном
продукте "Логос Тепло".
В работе рассматриваются различные варианты структуры свёрточной нейронной сети, в том числе с учетом особенностей решения двумерной задачи. Выбор оптимальной структуры модели проводится на основе тестовых задачах, имеющих аналитическое решение. Для выбранной структуры модели проводится исследование влияния различных параметров исходных данных, таких, как размер обучающей выборки, геометрических размеров, коэффициента теплопроводности и параметров граничных условий на точность получаемого решения. Это позволило изучить реакцию системы на различные внешние воздействия и оценить ее устойчивость и чувствительность к изменениям параметров. Итоговая погрешность метода была оценена на численных экспериментах,
в том числе не имеющих аналитического решения. В заключении работы сделан вывод о возможности и перспективах применения нейронных сетей при моделировании физических процессов, выделены ключевые преимущества применения таких методов и определены направления дальнейших исследований.
| Секция конференции | Методы искусственного интеллекта и машинного обучения |
|---|
