L'impact de l'apprentissage automatique sur la résolution des problèmes de navigation

La machine learning remodele la dynamique des fluides informatiques (CFD) en offrant de nouvelles approches à l'un des problèmes les plus notoires et difficiles en mathématiques appliquées : résoudre les équations Navier-Stokes. Ces équations régissent le mouvement des fluides – liquides et gaz – et leur solution précise est essentielle pour concevoir des aéronefs, prédire les conditions météorologiques, modéliser les courants océaniques et comprendre le flux sanguin.Depuis des décennies, les ingénieurs et les scientifiques se sont appuyés sur des méthodes numériques qui exigent d'immenses ressources informatiques et luttent contre les flux turbulents.

Les équations Navier-Stokes : une fondation sous pression

Les équations Navier-Stokes sont un ensemble d'équations partielles dérivées de la deuxième loi de Newton appliquée au mouvement des fluides. Elles décrivent comment le champ de vitesse u évolue sous des forces telles que des gradients de pression, des contraintes visqueuses et des forces externes du corps.

.u/.u[· )]u[u = −(1/ρ) ,p +//]u + f,
] ,u = 0

où ρ est la densité, p est la pression, v est la viscosité cinématique, et f représente les forces du corps. Malgré leur formulation de la tromperie compacte, ces équations incarnent certains des problèmes les plus profonds non résolus en mathématiques. L'Institut de mathématiques de l'argile mentionne l'existence et la douceur des solutions Navier-Stokes comme l'un de ses sept problèmes du Prix du millénaire.

Le mur informatique : méthodes numériques traditionnelles

Historiquement, la résolution des Navier-Stokes pour les applications du monde réel s'est appuyée sur une hiérarchie des techniques numériques :

• Simulation numérique directe (DNS):[ Resolve toutes les échelles de mouvement. Échelles de taille de grille comme Re^9/4, qui devient intractable au-dessus de Re=10⁴.
• La grande simulation Eddy (LES):[ Resout les grands ensembles et les modèles de petites échelles (modèles à échelle subgrid).
• Reynolds-Averaged Navier-Stokes (RANS):[ Le temps moyen des équations, introduisant des problèmes de fermeture qui nécessitent des modèles de turbulence (p. ex. k-ε, k-----SST).Ces modèles sont rapides mais souvent inexacts pour les débits séparés, les débits rotatifs ou les couches limites complexes.

Chaque méthode échange la précision pour le coût de calcul. Le RANS et les ERP dominent le CFD industriel, mais leurs modèles de fermeture empiriques échouent lorsqu'ils sont extrapolés au-delà des données d'entraînement. De plus, la mise en place d'une simulation robuste du CFD exige des connaissances spécialisées dans le maillage, les conditions de limite, les réglages du solveur et la sélection des modèles de turbulence.

Comment l'apprentissage automatique transforme les problèmes fluides

L'apprentissage automatique, en particulier l'apprentissage profond, fournit des outils pour apprendre des relations fonctionnelles complexes directement à partir de données.Dans la dynamique des fluides, ces données peuvent provenir de mesures expérimentales ou de simulations de haute fidélité. Plutôt que de résoudre les équations gouvernantes à partir de zéro chaque fois, un réseau neuronal formé peut approximationner la cartographie des entrées (géométrie, conditions limites, nombre de Reynolds) aux sorties (champ de vitesse, distribution de pression, forces).

Modélisation de substituts à transmission de données

Par exemple, un réseau neuronal convolutionnel (CNN) peut être formé sur un ensemble de données de instantanés DNS pour prédire l'étape suivante d'un flux turbulent. Des modèles d'ordre réduit (ROMs) construits avec des autoencodeurs ou une décomposition orthogonale appropriée (POD) combinés avec des réseaux neuronaux peuvent comprimer l'espace d'état haute dimension en une représentation latente basse dimensionnelle, permettant une prévision rapide.

Ces substituts peuvent réduire le temps de simulation de plusieurs ordres de grandeur, permettant des prédictions en temps réel pour la conception de pales à turbine, la prévision météorologique ou l'analyse du débit sanguin propre au patient. Cependant, ils ne sont que aussi bons que les données sur lesquelles ils sont formés. L'extrapolation aux régimes invisibles – différents nombres de Reynolds, géométries ou physique du flux – échoue souvent.

Réseaux neuronaux formés en physique (RINP)

Introduit par Raissi et al. en 2019, le PINN intègre les équations de régulation comme contrainte douce pendant l'entraînement. Un réseau neuronal prend les coordonnées espace-temps comme entrée et produit le champ de vitesse et la pression. La fonction perte comprend non seulement l'inadéquation des données (si des données marquées existent) mais aussi le résidu des équations Navier-Stokes calculées par différenciation automatique.

Les avantages sont importants : les PINN peuvent gérer des géométries irrégulières, coder des conditions de limites complexes et récupérer des solutions même à partir de données de mesure peu abondantes. Ils ont été appliqués avec succès aux flux laminaires, à l'éparpillement du vortex et même à certains régimes turbulents. Cependant, les PINN sont confrontés à des défis avec des caractéristiques à haute fréquence, des problèmes raides et des turbulences à plusieurs échelles.

Apprentissage automatique pour la fermeture de la turbulence

L'une des directions les plus productives est d'utiliser le ML pour améliorer les modèles de turbulence dans les RANS et les ERP. Au lieu d'utiliser un modèle ad hoc de viscosité-eddy, un réseau neuronal peut apprendre la relation fonctionnelle entre les caractéristiques de flux et les contraintes de Reynolds. En s'entraînant sur les données DNS de haute fidélité, ces modèles de turbulence data-drived peuvent capturer des effets comme l'anisotropie, la rotation et la séparation que les modèles traditionnels manquent.

Pour les ERP, les modèles à échelle subgrid paramétrés par les réseaux neuronaux peuvent prédire les contraintes non résolues plus précisément que le modèle classique Smagorinsky. De même, l'apprentissage automatique peut corriger les erreurs numériques dans les simulations sous-résolues. Ces approches hybrides maintiennent l'efficacité de calcul de RANS/LES tout en obtenant une précision plus proche du DNS. Un examen complet de la ML pour la modélisation de turbulence

Applications pratiques Conduite de l'adoption

L'apprentissage automatique a déjà un impact sur plusieurs domaines où les solutions Navier-Stokes sont critiques :

• Aéroespace: Optimiser les formes de la terre d'air à l'aide de modèles de substitution réduit la traînée et le bruit.
• Climat et météo:[ Les émulateurs pour la circulation des océans et la dynamique atmosphérique accélèrent les projections climatiques.
• Génie biomédicale:[ L'hémodynamique spécifique au patient pour les anévrismes aortiques, les artères coronaires et les flux cérébraux bénéficie d'une simulation en temps réel à l'aide de modèles PINN ou à ordre réduit.
• Énergie: Simuler le débit à travers les parcs éoliens, les échangeurs de chaleur et les chambres de combustion devient plus rapide, permettant l'optimisation de la conception itérative.

Notamment, NVIDIA a développé des outils comme NVIDIA Modulus, qui combine l'apprentissage en connaissance de physique avec l'informatique accélérée pour résoudre ces problèmes à l'échelle.

Défis restants et voie à suivre

Malgré des résultats impressionnants, l'apprentissage automatique pour Navier-Stokes n'est pas une balle d'argent.

• Qualité et quantité des données: Les données DNS de haute fidélité sont coûteuses à générer.
• Généralisation:[ Un réseau neuronal formé pour le flux autour d'un cylindre à Re=100 ne fonctionnera pas pour une voiture à Re=10⁶. Les méthodes d'apprentissage et de multifidélité sont des domaines de recherche actifs.
• Interprétabilité:[ De nombreux modèles ML agissent comme des boîtes noires. La certification technique exige de comprendre pourquoi une simulation donne un résultat particulier.
• L'intégration avec les solveurs existants:[ Les outils commerciaux CFD sont matures; les remplacer entièrement par ML est peu pratique.
• Stabilisation numérique:[ Les prévisions de réseaux neuraux peuvent introduire des oscillations non physiques ou violer les lois de conservation. Le travail en cours comprend des architectures de contrainte dure (p. ex., en utilisant des fonctions de base sans divergence).

Les orientations futures comprennent le développement de modèles de fondation[ pour la dynamique des fluides – des réseaux pré-formés à grande échelle qui peuvent être affinés pour des tâches spécifiques, semblables à GPT pour le langage naturel. Les modèles multimodal qui combinent les données de simulation, les images expérimentales et les descriptions de texte pourraient révolutionner la façon dont les ingénieurs interagissent avec les problèmes de fluides. Une perspective clé sur ML et la mécanique des fluides

Conclusion : Une nouvelle ère pour la dynamique des fluides calculateurs

L'apprentissage automatique ne consiste pas à remplacer les équations Navier-Stokes, mais à augmenter notre capacité de les résoudre. En offrant des approximations plus rapides, des modèles de turbulence plus précis et la capacité d'apprendre à partir de données, ML rend les simulations de fluides accessibles là où elles étaient auparavant inabordables. Les méthodes basées sur la physique et les données ont chacune des forces; leur combinaison est la plus prometteuse.