في ظل التحديات التي تواجه صناعة السيارات، تأتي تكنولوجيا الشبكات العصبية (Neural Networks) لتحدث تغييراً جذرياً في الطريقة التي يتم بها نمذجة تدفق الهواء حول تصميمات المركبات الجديدة. تعتبر محاكاة الديناميكية الهوائية واحدة من الأدوات الحيوية في تقييم أداء السيارات، ولكنها تتطلب غالباً حسابات دقيقة ومعقدة، مما يؤدي إلى زيادة استهلاك الموارد الحاسوبية.

وبينما يجتهد المصممون لتحسين خصائص السيارة الهوائية، فإن قصر الموارد يشكل تحدياً كبيراً. ولذلك، تم تطوير طرق تقليل النماذج (Model Reduction) لتخفيف درجة الحرية من خلال تقليص عدد الحالات الممكنة للنظام الفيزيائي إلى بعد أقل.

تتجه الأبحاث مؤخراً نحو تقنيات تعتمد على الشبكات العصبية لتقليل الأبعاد غير الخطية للنماذج. في دراستنا السابقة، طورنا نموذجاً منخفض البعد يجمع بين تقنيات تقليل النماذج باستخدام الشبكات العصبية وطريقة تطور الزمن، وقد تم تنفيذه عبر إطار عمل تدريبي موزع لمعالجة بيانات تدفق المجال بدقة عالية.

في هذه الدراسة، نتوسع في نهج تقليل النماذج عبر دمج مشفر تلقائي (Variational Autoencoder) لتقييم قوته في تدفقات الهواء ذات أرقام رينولدز العالية حول هياكل مركبات متعددة بأشكال متنوعة. نركز بشكل خاص على دقة إعادة بناء تكوين الدوامات عبر نطاقات زمنية ومكانية مختلفة، مع إيلاء اهتمام خاص لسلوك التدفق بالقرب من المؤخرة لجسم السيارة.

هذه النتائج تعزز من فرص تحسين تصميم السيارات بأساليب أكثر كفاءة ودقة، مما يعد بفتح آفاق جديدة في مجال هندسة السيارات.