لینک دانلود و خرید پایین توضیحات
فرمت فایل word و قابل ویرایش و پرینت
تعداد صفحات: 14
مقاله چند بعدی
حل مسایل مقدار اولیه- مرزی دستگاه معادلات دیفرانسیل جزئی مرتبه بالا غیر خطی بوسیله شبکه های عصبی مصنوعی پیشخور.
چکیده
در این مقاله روش جدید عمومی برای حل علمی مسایل مقدار اولیه- مرزی دستگاه معادلات جزئی بخصوص مراتب بالا و غیرخطی در یک ابرمکعب سیلندری ارائه می شود. این روش یک روش مش- فری بوده و جدایی بفرم بسته تحلیلی تولید میکند. ترکیبی از مفاهیم شبکه های عصبی مصنوعی و ابزارهای بهینه سازی چند بعدی در این روش بکار میرود. بوسیله مفاهیم تقریب توابع چندمتغیر، وابسته به مباحث شبکه های عصبی مصنوعی پیشخوار و نیز بکمک هم محلی در نقاطی مشخص، حل مسئله مقدار اولیه- مرزی به مسئله بهینه سازی نامتغیر یک تابع انرژی تبدیل میگردد. بعبارت دقیقتر یک جواب آزمون عصبی برای مسئله مقدار اولیه- مرزی متشکل از مجموع دو قسمت در نظر میگریم: قسمت اول در شرایط اولیه- مرزی (زمانی- فضایی) صدق میکند، درحالیکه قسمت دوم شامل متغیرهای لازم برای مینیمم سازی تابع خطای مسئله میباشد و بکمک یک شبکه عصبی سه لایه و پیشخور شبیه سازی گشته و برای صدق در دستگاه معادلات دیفرانسیل مسئله آموزش میبیند. این روش را میتوان بعنوان تعمیمی مناسب از روشهای معینی در نظر گرفت. کاربرد این روش جدید صرفنظر از نوع شرایط اولیه- مرزی در دامنه ای از یک معادله دیفرانسیل معمولی تا دستگاهی از معادلات دیفرانسیل جزئی متغیر است.
کلمات کلیدی:
دستگاه معادلات دیفرانسیل جزئی وابسته بزمان- مسایل مقدار اولیه- مرزی- شبکه های مصنوعی پیشخور- یادگیری نظارت بهینه سازی نامقید چندبعدی.
1.مقدمه:
در علوم مهندسی اغلب سیستمهای دنیای واقعی که با معادلات دیفرانسیل توصیف شده اند، شامل چندین شرط اولیه یا مرزی وابسته به شرایط فیزیکی مسئله نیز میباشند. مهمترین شاخص در مورد هر مسئله مقدار اولیه- مرزی برای یک دستگاه معادلات دیفرانسیل جزئی عبارتست از خوش‌خیمی آن یعنی وجود و یکتایی جواب مسئله بسته بنوع معادلات و نیز نوع شرایط اولیه- مرزی قابل بحث است. مانند سایر مسایل روشهای زیادی هر چند مشکل، برای حل غیرتحلیلی چنین مسایلی وجود دارد از قبیل روشهای جداسازی متغیرها، تبدیلات انتگرالی، تغییر مختصات، تغییر متغییر وابسته، معادلات انتگرال و . . . ارزش این روشها زمانی مشخص تر میشود که برای مسایلی بکار بروند که جواب تحلیلی نداشته یا جواب تحلیلی‌شان مستقیما قابل محاسبه نباشد. این ارزش در صورت توانایی بکارگیری روش برای دستگاه معادلات دیفرانسیل جزئی (وابسته بزمان) از مراتب بالا و غیرخطی، دوچندان میشود.
در ریاضیات کاربردی عبارتند از همگرایی، پایدار علمی، سازگاری و خوشحالی عددی آنها. سه دسته مجزا برای این روشهای حل غیرتحلیلی میتوان در نظر گرفت: روشهای تغییراتی، روشهای بسطی و روشهای علمی. در روشهای تغییراتی معادلات دیفرانسیل مسئله را بهمراه شرایط اولیه- مرزی آن بیک مسئله مینیمم سازی تابعکی مناسب در یک فضای تابعی تبدیل کرده و با حل این مسئله بهینه سازی جواب مسئله اصلی را بدست میاوریم. مهمترین مشکل چنین روشهایی تعریف مناسب تابعکهای مورد نیاز میباشد.
در روشهای بسطی (طیفی و شبه طیفی) مانند روشهای هم محلی و گالرکین یا روشهای سری فوریه، سری وزنوله متناهی جواب تقریبی مسئله را بکمک یک دسته از توابع پایه ای (چندجمله ایهای متعامد) در نظر گرفته و با تحویل مسئله اصلی بیک دستگاه معادلات (خطی) ضرایب مجهول سری مذکور را بدست میاوریم مهمترین مشکلات این روشها نحوه انتخاب توابع پایه ای و چگونگی محاسبه ضرایب مجهول، میباشد.
تا اینجا روشهای مزبور همگی بدون مش میباشند. در مقابل، روشهای علمی طبق معمول بر پایه گستر سازی دامنه تعریف مسئله به تعدای المان، محلی بوسیله یک مجموعه از پیش تعیین شده و متناهی از نقاط گرهی بنام مش، استوار هستند و جواب را در این مجموعه متناهی از نقاط بدست میدهند.
مهمترین مشکلات چنین روشهایی عبارتست از اسلوب المان، خواص حل کنندة اصلی و محاسبات مربوط به تولید مش. از میان روشهای علمی برای حل مسایل مقدار اولیه- مرزی معادلات دیفرانسیل جزئی، مشهورترینشان روشهای تفاضلات، المان محدود، حجم محدود و المان مرزی میباشند.
اکثر کارهای پیشین در حل مسایل مقدار اولیه امرزی معادلات دیفرانسیل جزئی در یک دامنة ابر مکعبی بکمک شبکه های عصبی پیشخور، به اصل جایگذاری تقریب تابع جواب که بوسیلة خواص تقریب زنندگی
حل مسایل مقدار اولیه – مرزی دستگاه معادلات دیفرانسیل جزئی مرتبه بالا غیرخطی بوسیله شبکه‌های عصبی (مقاله)
