مکمل عنصر کے طریقوں اور ایم ایل کو ملانا - Semiwiki

مکمل عنصر کے طریقوں اور ایم ایل کو ملانا - Semiwiki

ٹائم سٹیمپ: 23 جنوری 2024 صبح 9:00 بجے
ماخذ نوڈ: 3080822

الیکٹرانک سسٹم کے ڈیزائن میں بہت سے ڈومینز میں تجزیہ کے لیے محدود عناصر کے طریقے تیار ہوتے ہیں: ملٹی ڈائی سسٹمز میں مکینیکل تناؤ کا تجزیہ، ٹھنڈک اور تناؤ کے تجزیہ (مثلاً وارپنگ) اور برقی مقناطیسی تعمیل تجزیہ دونوں کے ہم منصب کے طور پر تھرمل تجزیہ۔ (Computational fluid dynamics – CFD – ایک الگ حیوان ہے جس کا احاطہ میں ایک الگ بلاگ میں کر سکتا ہوں۔) میں نے اس علاقے میں ایک دوسرے کلائنٹ کے ساتھ موضوعات کا احاطہ کیا ہے اور میں نے ڈومین کو پرکشش تلاش کرنا جاری رکھا ہے کیونکہ یہ میرے طبیعیات کے پس منظر اور میرے اندرونی ریاضی کی گہرائی سے گونجتا ہے۔ (تفرقی مساوات کو حل کرنا)۔ یہاں میں ایک دریافت کرتا ہوں۔ حالیہ کاغذ سیمنز اے جی سے میونخ اور براؤنشویگ کی ٹیکنیکل یونیورسٹیوں کے ساتھ۔

مکمل عنصر کے طریقوں اور ایم ایل کو ملانا

مسئلہ کا بیان

محدود عنصر کے طریقے بہت سے جسمانی تجزیوں میں پیدا ہونے والے 2D/3D جزوی تفریق مساوات (PDEs) کے نظاموں کو عددی طور پر حل کرنے کی تکنیک ہیں۔ یہ ایک پیچیدہ ایس او سی میں گرمی کے پھیلنے کے طریقہ سے لے کر آٹوموٹو ریڈار کے لیے EM تجزیہ تک، کس طرح ایک مکینیکل ڈھانچہ دباؤ میں جھکتا ہے، حادثے میں کار کا اگلا حصہ کس طرح ٹوٹ جاتا ہے۔

FEM کے لیے، تجزیے کے لیے ایک مجرد فریم ورک کے طور پر جسمانی جگہ پر ایک میش بنایا جاتا ہے، حدود کے ارد گرد باریک دانے دار اور خاص طور پر تیزی سے مختلف ہوتی ہوئی حدود کے حالات، اور کہیں اور زیادہ موٹے دانے ہوتے ہیں۔ گوری تفصیلات کو چھوڑتے ہوئے، یہ طریقہ سپرپوزیشن میں مختلف گتانکوں کے ذریعے میش میں سادہ فنکشنز کے لکیری سپرپوزیشنز کو بہتر بناتا ہے۔ اصلاح کا مقصد PDEs کے لیے مجرد پراکسیز کے ساتھ کچھ قابل قبول رواداری کے اندر ایک بہترین فٹ تلاش کرنا ہے جس کے ساتھ ساتھ لکیری الجبرا اور دیگر طریقوں کے ذریعے ابتدائی حالات اور باؤنڈری حالات شامل ہیں۔

قابل قبول درستگی کو پورا کرنے کے لیے عام طور پر بہت بڑی میشز کی ضرورت ہوتی ہے جس کے نتیجے میں حقیقت پسندانہ مسائل پر FEM حل کے لیے بہت طویل وقت گزرتا ہے، اور اصلاح کے امکانات کو تلاش کرنے کے لیے متعدد تجزیے چلاتے وقت اور بھی زیادہ مشکل ہو جاتا ہے۔ ہر رن بنیادی طور پر شروع سے شروع ہوتا ہے جس میں رنز کے درمیان کوئی سیکھنے کا فائدہ نہیں ہوتا ہے، جو تجزیہ کو تیز کرنے کے لیے ML طریقوں کو استعمال کرنے کا موقع فراہم کرتا ہے۔

FEM کے ساتھ ML استعمال کرنے کے طریقے

FEM تجزیہ (FEAs) کو تیز کرنے کے لیے ایک وسیع پیمانے پر استعمال ہونے والا طریقہ سروگیٹ ماڈل بنانا ہے۔ یہ دوسرے ڈومینز میں تجریدی ماڈلز کی طرح ہیں - اصل ماڈل کی مکمل پیچیدگی کے آسان ورژن۔ ایف ای اے کے ماہرین کم آرڈر ماڈلز (ROMs) کے بارے میں بات کرتے ہیں جو ماخذ ماڈل کے جسمانی رویے کا ایک اچھا تخمینہ ظاہر کرتے رہتے ہیں لیکن FEA کو چلانے کی ضرورت کو نظرانداز کرتے ہیں، کم از کم ڈیزائن کی اصلاح کے مرحلے میں، اگرچہ FEA سے زیادہ تیزی سے چل رہے ہیں۔ .

سروگیٹ بنانے کا ایک طریقہ FEAs کے ایک گروپ کے ساتھ شروع کرنا ہے، اس معلومات کو سروگیٹ بنانے کے لیے تربیتی ڈیٹا بیس کے طور پر استعمال کرنا ہے۔ تاہم، اس کے لیے اب بھی ان پٹ اور آؤٹ پٹس کے تربیتی سیٹ تیار کرنے کے لیے طویل تجزیوں کی ضرورت ہے۔ مصنفین اس طرح کے نقطہ نظر میں ایک اور کمزوری کی طرف بھی اشارہ کرتے ہیں۔ ML کو ایسی تمام ایپلی کیشنز میں اہم طبیعیات کی رکاوٹوں کی کوئی مقامی سمجھ نہیں ہے اور اس وجہ سے اگر اس کے تربیتی سیٹ سے باہر کسی منظر نامے کے ساتھ پیش کیا جائے تو وہ فریب کاری کا شکار ہے۔

اس کے برعکس، FEM کو a سے تبدیل کرنا جسمانی طور پر مطلع اعصابی نیٹ ورک (PINN) جسمانی PDEs کو نقصان کے فنکشن کیلکولیشن میں شامل کرتا ہے، جوہر میں جسمانی رکاوٹوں کو گریڈینٹ پر مبنی اصلاح میں متعارف کرواتا ہے۔ یہ ایک ہوشیار خیال ہے اگرچہ بعد میں ہونے والی تحقیق سے معلوم ہوا ہے کہ اگرچہ یہ طریقہ سادہ مسائل پر کام کرتا ہے، لیکن یہ اعلی تعدد اور کثیر پیمانے کی خصوصیات کی موجودگی میں ٹوٹ جاتا ہے۔ یہ بھی مایوس کن ہے کہ اس طرح کے طریقوں کی تربیت کا وقت FEA ​​کے رن ٹائم سے زیادہ ہو سکتا ہے۔

یہ مقالہ ایک دلچسپ متبادل تجویز کرتا ہے، تاکہ FEA اور ML ٹریننگ کو زیادہ قریب سے ملایا جا سکے تاکہ ML نقصان کے فنکشنز FEA کی غلطیوں کے حساب سے پورے جال میں آزمائشی حل کو فٹ کر سکیں۔ PINN کے نقطہ نظر کے ساتھ کچھ مماثلت ہے لیکن ایک اہم فرق کے ساتھ: یہ اعصابی جال FEA کے ساتھ مل کر چلتا ہے تاکہ تربیت میں ایک حل کے لئے ہم آہنگی کو تیز کیا جاسکے۔ جس کا نتیجہ بظاہر تیز تر تربیت کی صورت میں نکلتا ہے۔ قیاس میں نیورل نیٹ ماڈل FEA کی ضرورت کے بغیر چلتا ہے۔ تعمیر کے لحاظ سے، اس طرح سے تربیت یافتہ ماڈل کو حقیقی مسئلہ کی جسمانی رکاوٹوں کے قریب سے مطابقت رکھنا چاہئے کیونکہ اسے جسمانی طور پر آگاہ حل کرنے والے کے خلاف بہت قریب سے تربیت دی گئی ہے۔

میرے خیال میں یہاں میری تشریح کافی حد تک درست ہے۔ میں ماہرین کی طرف سے اصلاحات کا خیر مقدم کرتا ہوں!

اس پوسٹ کو بذریعہ شیئر کریں:

ٹائم اسٹیمپ:

سے زیادہ سیمی ویکی