شبيه‌ سازي يك قطار تندرو در برابر جريان هواي آشفته با استفاده از روش‌هاي ديناميك سيالات محاسباتي و الگوريتم شبكه عصبي پيش‌ روي چندلايه

Simulation of a High-Speed Train against a Turbulent Air Flow using Computational Fluid Mechanics Method and Multi-Layer Feed-Forward Neural Network Algorithm

در اين مطالعه، عملكرد آيروديناميك يك قـطار تندرو در برابر يك جريان هواي آشفته به‌صورت عددي از دو منظر تحليل شده است. نخست با استفاده از ديناميك سيالات محاسباتي تحليل مؤلفه‌هاي جريان و آيروديناميك سيال انجام شده است و سپس با به‌كارگيري الگوريتم شبكه عصبي پيش‌روي چندلايه، يك پيش‌بيني و مقايسه با مقادير به‌دست‌آمده از نتايج ديناميك سيالات محاسباتي ارائه شده است. بدين‌منظور، با استفاده از روش ميان‌گيري رينولدز معادلات ناوير-استوكس و روش آشفتگي 𝑘-𝜔 (SST)، يك جريان هواي غيرقابل‌تراكم و آشفته اطراف يك نمونه قطار تندروي عمومي با به‌كارگيري نرم‌افزار Open FOAM شبيه‌سازي شده است. در اين پژوهش، برخي از مهم‌ترين و كليدي‌ترين مؤلفه‌هاي جريان و آيروديناميك اعم از سرعت، فشار، خطوط جريان، ساختار جريان، ضرايب فشار و نيروهاي پسا ، برآ و جانبي براي تغييرات زواياي حمله مختلف و تغييرات سرعت جريان هوا بررسي و مقايسه شده است. در ادامه، الگوريتم شبكه عصبي پيش‌روي چندلايه كه توسط داده‌هاي مختلف اصلاح شده است، براي پيش‌بيني مقادير خروجي مسئله به‌كارگيري شده است. بر اين اساس، نيروهاي آيروديناميك پسا، برآ و جانبي براي زواياي حمله و سرعت‌هاي مختلف توسط اين روش الگوريتمي به‌دست آمده و با نتايج حاصل از شبيه‌سازي عددي ديناميك سيالات محاسباتي مقايسه شده است. مقايسه انجام‌شده نشان‌دهنده تناسب خوب ميان داده‌هاي آيروديناميك و شبكه عصبي به‌ كار گرفته شده است.

In this study, the aerodynamic performance of a high-speed train against a turbulent air flow is examined numerically from two approaches. First, using computational fluid dynamics, the parameters of aerodynamics and fluid flow are analyzed and then, using Multi-Layer Feed-Forward Neural Network (MLFFNN) Algorithm, a prediction and comparison with the obtained values from the CFD analysis are presented. To achieve this, using Reynolds-Averaged Navier-Stokes (RANS) method with 𝑘-𝜔 (SST) turbulence model, an incompressible turbulent air flow around a high-speed train model by OpenFOAM CFD Software is simulated. In this research, some of the significant and key parameters of fluid flow and aerodynamics as velocity, pressure, streamlines, flow structure, pressure coefficients, drag, lift and side forces for some yaw angles of wind movement and velocity changes are analyzed and compared. In the following, the Multi-Layer Feed-Forward Neural Network which is modified with various data is applied for prediction of the output of the problem. Accordingly, the aerodynamic drag, lift and side forces for the yaw angles of wind movement and velocity changes by this algorithm method are obtained and compared with the obtained results from CFD analysis. The comparisons indicate an appropriate similarity between the CFD data and the used MLFFNN one.