توسعه يك مدل رتبه كاسته بدون معادله مبتني بر الگوهاي متفاوت استخراج ويژگي‌ روي مجموعه داده انتقال حرارت دو بعدي پايا

با توجه به هزينه زماني و محاسباتي بالاي روش‌هاي حل مستقيم يا عددي معادلات ديفرانسيل حاكم بر پديده‌ها، پژوهش حاضر به ارائه روشي بدون معادله و مبتني بر الگوريتم‌هاي يادگيري عميق با استفاده از روش‌هاي كاهش بعد مي‌پردازد. دو روش تحليل مؤلفه‌هاي اصلي (خطي) و خودرمزنگار (غيرخطي) براي شبيه‌سازي پديده انتقال حرارت پايا با استفاده از مجموعه داده‌هاي انتقال حرارت پاياي دو بعدي در ابعاد 64×64 و 128×128 بكار رفت و از طريق ابزارها و كتابخانه‌هاي موجود در محيط پايتون پياده‌سازي شد. طبق نتايج حاصل، در كاهش مرتبه شديد، خودرمزنگار و در كاهش مرتبه جزئي، تحليل مؤلفه‌هاي اصلي دقت بالاتري دارد. همچنين خروجي‌هاي حاصل از مدل رتبه كاسته پيشنهادي با شبيه‌سازي‌هاي حاصل از مدلي مبتني بر شبكه عصبي كانولوشني با تعداد لايه‌ها و فيلترهاي متعدد مقايسه شد. نتايج حاصل از شبيه‌سازي توزيع دماي پايا برحسب خطاي ميانگين مربعات (MSE) با استفاده از مدل‌هاي مبتني بر تحليل مؤلفه‌هاي اصلي، خودرمزنگار و مدل مبتني بر شبكه‌هاي عصبي كانولوشني در ابعاد 64×64 به ترتيب برابر با 4-10×1.617، 6-10×2.528 و 0.015 و در ابعاد 128×128 نيز برابر با 4-10×2.046، 6-10×7.253 و 0.0058 درجه سلسيوس در هر پيكسل است. بنابراين، مدل‌هاي رتبه كاسته پيشنهادي به‌ويژه مدل مبتني بر روش خودرمزنگار از دقت بسيار بالاتري نسبت به مدل مبتني بر شبكه‌هاي عصبي كانولوشني برخوردار مي‌باشد.