مهدی کرامتی نژاد

در سالهای اخیر، تحلیل و طراحی سیستم ها با استفاده از شبیه سازی مبتنی بر کامپیوتر به طور گسترده برای پیش بینی عملکرد سیستم ها مورد توجه پژوهشگران قرار گرفته است. چنین تحلیل های مهندسی بر اجرای کدهای کامپیوتری گران قیمت و پیچیده متکی است. روش های تقریبی به طور گسترده ای برای کاهش بار محاسباتی تحلیل مهندسی مورد استفاده قرار گرفته و توسعه تکنیک های مدل سازی امکان ارزیابی سریع، ارزان و دقیق سیستم های مهندسی را فراهم می کند. برای تسهیل تحلیل هایی مانند بهینه سازی طراحی، تجزیه و تحلیل قابلیت اطمینان و غیره، نیاز به یک مدل ساده شده وجود دارد که بتواند نمایشی کارآمد از مدل دقیق و پرهزینه محصول ارائه دهد. به این مدل های ساده شده پیش بین، مدل های جایگزین(شبه مدل) نیز می گویند. این مقاله به بررسی توانایی مدل های یادگیری عمیق به عنوان یک روش جایگزین در مدلسازی مسیر پروازی یک وسیله پرتاب می پردازد. این رویکرد با استفاده از داده های تجربی برای آموزش شبکه های عصبی و مقایسه دقت آن با روش سطح پاسخ (RSM) انجام می شود. نتایج نشان می دهند که استفاده از یادگیری عمیق بر دقت پیش بینی ها تاثیر مثبت داشته و توانایی تخمین عملکرد در شرایط مختلف را فراهم می آورد. بنابراین در نقطه مورد مقایسه برای جرم کل وسیله پرتاب، مقدار کد شبیه سازی با روش یادگیری عمیق یکی بوده و مقدار آن 108500 کیلوگرم شد و با تکنیک RSM مقدار جرم کل برابر 108556.6 کیلوگرم شد که نسبت به روش یادگیری عمیق دقت مدل کمتر می باشد.