دانلود مقالات ISI درباره روش شبکه بولتزمن + ترجمه فارسی

روش شبکه بولتزمن (به انگلیسی: Lattice Boltzmann method)یک روش دینامیک سیالات محاسباتی برای شبیه‌سازی جریان سیال است که به جای حل معادلات ناویه-استوکس، معادله بولتزمن گسسته شده بکار می‌رود. تکنیک(LBM) یک تکنیک شبیه‌سازی نسبتاً جدید برای هندسه‌های پیچیده است. در روش‌های سنتی CFD، که حل معادلات بقا (به عنوان مثال، جرم، مومنتوم و انرژی) انجام می‌شد در مدل LBM، سیال متشکل از ذرات خیالی و شامل دو مرحله برخورد و پخش است. تکنیک(LBM) مزایای متعددی نسبت به سایر روش‌های مرسوم CFD، به خصوص در برخورد با مرزهای پیچیده و محیط متخلخل در ابعاد میکروسکوپیک دارد و شامل موازی‌سازی الگوریتم است. شبیه‌سازی جریان چندفازی همیشه یک چالش برای CFD به دلیل حرکت و رابط دگردیسی است که در روش شبکه بولتزمن براحتی قابل تحلیل است. شبکه عصبی بولتزمن که در اواخر صده 1900 رو به فراموشی بود پس از احیای الگوریتم همگرایی و افزایش فوق العاده سرعت آموزش، سریع به یک مدل پرمخاطب تبدیل شد، تا جایی که مدل‌های پیچیده یادگیری عمقی(عمیق) یا deep learning براساس آن ابداع شدند. شبکه عصبی بولتزمن برخلاف شبکه پس انتشار دارای یک لایه است و وزن‌های میانی دارای معنی هستند. همین ویژگی بولتزمن باعث شد که شبکه‌های عمیق به وجود آمده و بتوان بر روی وزن‌های میانی یک شبکه بولتزمن دیگر آموزش داد. اساس کار این شبکه فراگیری توزیع داده‌های ورودی و ارتباط ان با خروجی نمونه‌هاست به نحوی که نمونه‌های جدید ورودی با توزیع استخراج شده با حداقل خطا بتوانند به تولید الگوی خروجی بپردازند. در رویکرد پیوسته، با بکار بردن معادلات بقای انرژی، جرم و مومنتوم برای یک حجم کنترل بی نهایت کوچک به معادلات دیفرانسیل عادی و جزیی حاکم دست می یابیم. از آنجایی که حل دقیق معادلات دیفرانسیل حاکم بدست آمده به دلایل زیادی از جمله: غیرخطی بودن، شرایط مرزی پیچیده و هندسه پیچیده، مشکل می باشد. از روش های اختلاف محدود، حجم محدود و المان محدود برای تبدیل معادلات دیفرانسیل موجود تحت شرایط مرزی و اولیه مشخص به سیستمی از معادلات جبری استفاده می شود. معادلات جبری بدست آمده به طور تکراری می توانند حل شوند تا زمانی که همگرایی آنها تضمین شود. این مقیاس ماکروسکوپیک است. در روش دیگر، محیط از ذرات کوچکی در نظر گرفته می شود ( اتم، مولکول ) و این ذرات با یکدیگر برخورد می کنند. این مقیاس میکروسکوپیک نام دارد. بنابراین، ما نیاز به مشخص کردن نیروی بین ذره ای ( بین مولکولی ) و حل معادلات دیفرانسیل معمولی بدست آمده از قانون دوم نیوتن ( پایستاری مومنتوم ) داریم. در هر گام زمانی لازم است سرعت و موقعیت هر ذره را بدانیم، به عبارت دیگر مسیر حرکت ذره برای ما معلوم باشد. در این مقیاس هیچ تعریفی از دما، فشار، و خواص ترموفیزیکی مانند ویسکوزیته، هدایت حرارتی، و ظرفیت حرارتی نداریم. برای مثال فشار و دما به انرژی جنبشی ذرات ( جرم و سرعت ) و فرکانس برخورد ذرات به دیواره بستگی دارد. این روش دینامیک مولکولی نامیده می شود. در این روش لازم است موقعیت و سرعت هر ذره معلوم باشد؛ همچنین بازه زمانی باید از زمان برخورد ذرات که از مرتبه ی فروثانیه[(10-12s) است کوچکتر باشد. بنابراین حل پروژه ی های در اندازه بزرگ توسط MD غیر ممکن می باشد. از بحث حاضر می توان دریافت که باید از مکانیک آماری به عنوان ارتباط دهنده ی دنیای ماکروسکوپیک و میکروسکوپیک کمک گرفت. در واقع روش MD روش ساده ای است و می تواند در شرایط تغییر فاز و هندسه ی پیچیده مفیده باشد. ایراد اصلی یا مانعی که در راه استفاده از MD در شبیه سازی یک سیستم نسبتا بزرگ وجود دارد، کمبود قدرت کامپیوترها است. روش سومی وجود دارد که بین دو روش ماکروسکوپیک و میکروسکوپیک است که در بالا بیان شد قرار می گیرد که روش شبکه ای بولتزمن نام دارد. ایده ی اصلی روش بولتزمن برقراری ارتباط بین مقیاس ماکرو و میکرو بدون در نظر گرفتن رفتار تک تک ذرات است. این روش مجموعه ای از ذرات را به طور یکپارچه در نظر می گیرد. خاصیت مجموعه ی ذرات توسط تابع توزیع بیان می شود. تابع توزیع به عنوان نمونه ای از ذرات عمل می کند. این مقیاس مزو نامیده می شود و این روش روش شبکه ای بولتزمن (LBM) نامیده می شود.