Machine oppiminen on muokkaamalla laskennallisen nestedynamiikan (CFD) tarjoamalla uusia lähestymistapoja yhteen tunnetuimpiin ongelmiin sovelletussa matematiikassa: Navier-Stokes yhtälöt.[[] Nämä yhtälöt ohjaavat liikkeitä nesteitä ja kaasuja.Näiden tarkka ratkaisu on olennainen suunnitella lentokoneita, ennustaa sää, mallintaminen valtamerivirtaa, ja ymmärtää veren virtausta. Vuosikymmeniä, insinöörit ja tutkijat ovat luottaneet numeerisia menetelmiä, jotka vaativat valtavat laskennalliset resurssit ja kamppailua myrskyisten virtojen. Viimeaikaiset edistysaskeleet osoittavat, että koneoppiminen, erityisesti syvä hermoverkkoja ja fysiikka-tietoinen kehys, voi dramaattisesti nopeuttaa simulaatioita, parantaa tarkkuutta ja avata uusia mahdollisuuksia reaaliaikaiseen nesteen hallintaan. Tämä artikkeli tutkii, miten oppiminen on ratkaista Navier-Stokes ongelma, tekniikoita mukana, ja mitä tulevaisuus on tämän datan ja fysiikan risteys.

The Navier-Stokes yhtälöt ovat joukko epälineaarinen osittainen DIFFERENTIAL EQUATIONS johdettu Newton toinen laki sovelletaan nesteen liike. Ne kuvaavat, miten nopeus kenttä u[] kehittyy voimia, kuten painegradientit, viskoosi stressiä, ja ulkoiset kehon voimat. Niiden incompressible muodossa, ne ovat kirjoitettu seuraavasti:

]∂[]u/∂t + (u[[]][[]]] [[[[]] = −(1/ρ]]]p + vo........................................................................................................................................................................

Jossa ρ on tiheys, p on paine, v vastaan on kinematic viskositeetti, ja [f[ edustaa kehon voimia. Huolimatta niiden petollisen kompakti muotoilu, nämä yhtälöt ilmentävät joitakin syvimpiä ratkaisemattomia ongelmia matematiikan. Clay Mathematics Institute listat olemassaolo ja sileys Navier-Stokes ratkaisut yhtenä sen seitsemän Millennium-palkinto ongelmia. Käytännön suunnittelu, todellinen haaste on käsitellä turbulenssi. kaaoksellinen, monitasoinen virrat, jotka näkyvät korkea Reynolds numerot. Turbulenssi liittyy laaja valikoima pituus ja aika asteikot, joten suora numeerisen simuloinnin (DNS) kiellettyjen kalliiksi kaikille mutta yksinkertaisin geometries ja vaatimaton Reynolds numerot.

Laskelmaseinä: Perinteiset numeeriset menetelmät

Historiallisesti Navier-Stokes on käyttänyt numeerisia tekniikoita:

  • Direct Numeerinen Simulointi (DNS): Ratkaisee kaikki liikevaa'at. Ruuduston kokovaa'at ovat Re9/4, jotka tulevat nähtäviksi Re=10]4[] yläpuolella.
  • Suuri Eddy Simulointi (LES):[ Ratkaisee suuret eddit ja mallit pieniä asteikkoja (subgrid-asteikon malleja). Vielä kalliita monimutkaisia geometries.
  • Reynolds-keskimäärin Navier-Stokes (RANS):[: Aikakeskiarvot yhtälöt, ottamalla käyttöön sulkeutumisongelmia, jotka edellyttävät turbulenssimalleja (esim., k-ε, k-ω SST). Nämä mallit ovat nopeita mutta usein epätarkkoja toisistaan erotettujen virtojen, pyörivien virtojen tai monimutkaisten rajakerrosten osalta.

Jokainen menetelmä vaihtaa tarkkuus laskentakustannusten. RANS ja LES hallitsevat teollisen CFD, mutta niiden empiirinen sulkemismallit epäonnistuvat, kun ekstrapoloidaan pidemmälle kuin koulutustiedot. Lisäksi, perustamalla vankka CFD simulointi vaatii asiantuntija tietoa verkko-, raja-olosuhteet, ratkaisija asetukset, ja turbulenssi malli valinta. Ajan kannalta kriittinen sovelluksia. Reaaliaikainen ohjaus, optimointi, tai kliininen päätöksenteko tuki.Nämä perinteiset putkistot ovat liian hitaita. Koneoppiminen tarjoaa polun rikkoa tämän pullonkaula.

Miten koneoppiminen muuntaa nesteongelmia

Koneoppiminen, erityisesti syväoppiminen, tarjoaa työkaluja monimutkaisten toiminnallisten suhteiden oppimiseen suoraan datasta. Nestedynamiikassa tämä tieto voi tulla kokeellisista mittauksista tai korkea-uskollisuussimulaatioista. Sen sijaan, että se ratkaisee hallitsevia yhtälöitä tyhjästä joka kerta, koulutettu neuroverkko voi arvioida kartoituksen syötteistä (geometria, raja-arvot, Reynoldsin numero) lähtöihin (nopeuskenttä, paineen jakautuminen, voimat). Tämä antaa aiheen kahteen laajaan ML-lähestymistavan kategoriaan: datalähtöisiin sijaissynnytyksiin ja fysiikan tietoon perustuviin malleihin.

Data-Driven-korvaajamallinnus

Surrogate-mallit korvaavat laskennallisesti kalliin ratkaisijan nopealla hermoverkolla. Esimerkiksi konvolutionaalinen neuroverkko (CNN) voidaan kouluttaa DNS-kuvista koostuvalle datalle ennustamaan seuraavan aika-askeleen myrskyisästä virtauksesta. []Lähetetyt tilausmallit (ROMit)[[]], jotka on rakennettu autoenkoodereilla tai oikealla ortogonaalisella hajoamisella (POD) yhdistettynä hermoverkkoihin, voivat tiivistää korkean dimensionaalisen tilan matalaulotteiseksi latentiksi edustukseksi, mikä mahdollistaa nopean ennustamisen.

Nämä sijaissynnyttimet voivat vähentää simulaatioaikaa useilla suuruusluokilla, jolloin turbiinin lavan suunnittelun, sääennusteiden tai potilaskohtaisen verenkiertoanalyysin reaaliaikaiset ennusteet ovat mahdollisia. Kuitenkin ne ovat vain yhtä hyviä kuin ne tiedot, joita ne ovat koulutettuja. Ekstrapolointi näkymättömiin järjestelmiin. Eri Reynoldsin numerot, geometriat tai virtausfysiikka. Tämä rajoitus työntää kenttää kohti malleja, jotka upottivat fyysiset lait suoraan.

Fysiikan ja hermoston tuntemukset (PINN)

Esittelyssä Raisi et al. vuonna 2019 PINN-arvot sisältävät hallitsevat yhtälöt pehmeänä rajoitteena koulutuksen aikana. Neuroverkko ottaa avaruus-aikakoordinaatit syötteinä ja lähtöinä nopeuskentän ja paineen. Lopussa on tietojen yhteensopimattomuuden (jos merkittyjä tietoja on) lisäksi myös Navier-Stokes-yhtälöjen jäännös, joka on laskettu automaattisen eriyttämisen avulla. Pakottamalla osittainen DIFFERENTIAL EQUATIONS at a set of collocation points, PINNs opetella ratkaisuja ilman suuria merkkejä datasetteja.

Edut ovat merkittäviä: PINNit voivat käsitellä epäsäännöllisiä geometriittiä, koodata monimutkaisia rajaolosuhteita ja palauttaa ratkaisuja myös harvasta mittausdatasta. Niitä on onnistuneesti sovellettu laminaarivirtoihin, pyörteen irtoamiseen ja jopa joihinkin myrskyisiin järjestelmiin. PINN-aineet kohtaavat kuitenkin haasteita, joilla on korkeataajuisia ominaisuuksia, jäykkiä ongelmia ja moniasteista turbulenssia. Tutkijat kehittävät mukautuvia näytteenottostrategioita, verkkoalueen hajoamista ja opetussuunnitelman oppimista lähentymisen parantamiseksi. PINN-paperi[]

Koneen oppiminen turbulenssi sulkeminen

Yksi tuottavimmista suuntiin on käyttää ML parantaa turbulenssimalleja RANS ja LES. Sen sijaan, että käytetään ad hoc eddy-viskositeetin malli, neuroverkko voi oppia toiminnallinen suhde virtausominaisuudet ja Reynolds korostaa. Kouluttamalla korkean uskollisuuden DNS data, nämä [] data-ohjatut turbulenssi mallit[ voi tallentaa vaikutuksia kuten anisotropia, pyöriminen, ja erottaminen että perinteiset mallit eivät.

LES:n aligrid-asteikon mallit, jotka on asetettu hermoverkkojen parametreiksi, voivat ennustaa ratkaisemattomat stressit tarkemmin kuin klassinen Smagorinsky-malli. Samoin koneoppiminen voi korjata numeeriset virheet aliratkaistuissa simulaatioissa. Nämä hybridit pitävät yllä RANS/LES:n laskentatehoa samalla kun saavutetaan tarkkuus lähempänä DNS:ää. [Kattava katsaus ML:n turbulenssimallinnukseen[]

Käyttötavat ajo-opetus

Koneoppiminen vaikuttaa jo nyt monilla aloilla, joilla Navier-Stokes-ratkaisut ovat kriittisiä:

  • Aerospace:[] Optimoi ilmapallon muotoja sijaismalleja käyttäen vähentää drag ja melua. ML myös auttaa ennustamaan aerodynaamisia kuormia ilma-alusten ohjauksessa.
  • Ilmasto ja sää:[] Emulaattorit merten kiertoon ja ilmakehän dynamiikka nopeuttaa ilmastoennusteita. ML-pohjainen alasskaalautuminen jalostaa karkeat globaalit mallit paikallisiin ennusteisiin.
  • Biolääketieteellinen suunnittelu:[] Potilaskohtaiset hemodynaamiset aorttaaneurysmojen, sepelvaltimoiden ja aivovirtojen hoitoon liittyvät verisolut hyötyvät reaaliaikaisesta simuloinnista PINN-pinnoitteilla tai pelkistettyjen kokeiden malleilla.
  • Energia:[] Simulointi virtaus tuulipuistojen, lämmönvaihtimien ja polttokammioiden läpi tulee nopeammin, mikä mahdollistaa iteratiivisen suunnittelun optimoinnin.

NVIDIA on kehittänyt työkaluja, kuten []NVIDIA Modulus, jossa yhdistyvät fysiikan tietoon perustuva oppiminen ja nopeampi tietojenkäsittely tällaisten ongelmien ratkaisemiseksi mittakaavassa.

Jäljellä olevat haasteet ja eteenpäin suuntautuva polku

Huolimatta vaikuttavista tuloksista, koneoppiminen Navier-Stokes ei ole hopea luoti. Avain esteitä ovat:

  • Tiedon laatu ja määrä:[ Korkean uskollisuuden DNS-tiedot ovat kalliita tuottaa. Rajallisilla tiedoilla koulutetut mallit eivät välttämättä yleisty.
  • Yleistys:[] Neuroverkko, joka on koulutettu virtaamaan sylinterin ympäri Re=100:ssa, ei toimi autossa Re=106. Siirtooppimis- ja moniuskollisuusmenetelmät ovat aktiivisia tutkimusalueita.
  • Taitettavuus:[ Monet ML-mallit toimivat mustina laatikoina. Tekninen sertifiointi edellyttää ymmärrystä siitä, miksi simulointi tuottaa tietyn tuloksen.
  • Integraatio perinteisiin ratkaisijoihin:[ Kaupalliset CFD-työkalut ovat kypsiä; niiden korvaaminen kokonaan ML:lla on epäkäytännöllistä. Hybridiratkaisuja neuroverkoilla lisäävien hybridiratkaisujen käyttö on todennäköisempää.
  • Numeerinen vakaus:[ Neuroverkkoennusteet voivat ottaa käyttöön epäfyysisiä värähtelyjä tai rikkoa suojelulakeja. Jatkuva työ sisältää kovan konsolidoinnin arkkitehtuurit (esim. käyttämällä eroavuuksia ilmaisevia perustoimintoja).

Tulevaisuuden suuntiin kuuluvat [foundation malleja[] nestedynamiikkaa varten. Laaja-alaiset ennalta koulutetut verkot, joita voidaan hienosäätää tiettyjä tehtäviä varten, samanlainen kuin GPT luonnonkielelle. Multimodaalimallit, joissa yhdistyvät simulointidata, kokeelliset kuvat ja tekstikuvaukset, voisivat mullistaa sen, miten insinöörit toimivat nesteongelmien kanssa. [A keskeinen näkökulma ML ja nestemekaniikka[]

Päätelmä: Uusi aikakausi laskentaan Fluid Dynamics

Koneoppiminen ei ole noin korvata Navier-Stokes yhtälöt. Se on noin lisätä kykyämme ratkaista niitä. Tarjoamalla nopeampia likiarvoisuuksia, tarkempi turbulenssi malleja, ja kyky oppia datasta, ML on tehdä nestesimulaatioita saatavilla, jos ne olivat aiemmin kohtuuhintaisia. Fysiikka-tietoinen ja data-lähtöisiä menetelmiä kullakin on vahvuus; niiden yhdistelmä pitää suurimman lupauksen. Laskeutumisteho ja tietojen saatavuus kasvaa edelleen, koneoppimisesta tulee kiinteä osa jokaisen nesteen dynamicist työkalusarja. Lopullinen tavoite.Todellinen-aika, tarkka, ja luotettava simulointi myrskyisten virtojen on lähempänä kuin koskaan, kiitos näiden edistysaskelten.