مدلسازی جریان همرفت طبیعی در محیط متخلخل ناهمگن با استفاده از شبکه عصبی کانولوشنی خود رمز نگار

جریان همرفت طبیعی، یک پدیده فیزیکی مهم در محیط متخلخل است. این نوع جریان در پدیده های مختلف مانند مخازن زمین گرمایی و سیستم های ازدیاد برداشت نفت قابل مشاهده است. یک چالش مهم در مدلسازی عددی جریان همرفت طبیعی زمان زیاد محاسبات است که منجر به طولانی شدن فرایند مدلسازی برای ساعت ها و روزهای زیادی می گردد. این مشکل خصوصا در مواردی مانند تحلیل عدم قطعیت و تحلیل حساسیت که نیازمند تکرار چند باره فرایند مدلسازی است و همچنین مسایل ناهمگن و با ابعاد بالا، محسوس تر می باشد. در این مقاله، سعی شده که از ظرفیت های ابزار جدید شبکه عصبی کانولوشنی خود رمزنگار برای غلبه بر چالش زمان محاسبات همراه با تولید جواب هایی با دقت بالا در مدلسازی جریان همرفت طبیعی استفاده شود. دو هدف کلی از این پژوهش مورد انتظار است: 1) توسعه مدل شبکه عصبی کانولوشنی خودرمزنگار به عنوان ابزار مدلسازی مستقیم و تحلیل عدم قطعیت 2) بررسی عملکرد شبکه عصبی کانولوشنی خودرمزنگار برای مدلسازی معکوس و تخمین پارامترهای موثر در جریان همرفت طبیعی در محیط متخلخل. برای دستیابی به این اهداف، 5000 زوج داده آموزش با کمک مدلسازی عددی تولید شده است. داده های ورودی شامل تصاویر نقشه های ناهمگن عدد رایلی به عنوان ورودی مدل، و تصاویر خروجی نقشه های توزیع دما در محیط متخلخل می باشند. نتایج ارزیابی شبکه عصبی نشان می دهد شاخص ضریب تعیین برای مدلسازی مستقیم با استفاده از 2000 داده آموزش و برای مدلسازی معکوس با استفاده از 5000 داده بالای 0.89 می باشد.