היישום של Machine Learning toחיזוי מעבר שכבתי ב- Complex Flows

מעבר שכבתי כבד נשאר אחד התופעות המאתגרות ביותר בדינמיקה נוזלית, המשפיע ישירות על הביצועים, היעילות והבטיחות של כלי רכב אוויריים, כלי ימיים, טורבינות רוח ומערכות צינורות תעשייתיות.כאשר זורם בתוך אזור הדקה מול משטח מוצק ליד מעברים מוצקים מסביבותיה פשוטות של אורנטיה התנהגות מכוערת, מהנדסים חייבים להתמודד עם שינויים פתאומיים באזור העור, להעביר לעתים קרובות את רמות הפרידה והיציבותיות האלה, כאשר הם חווים שינויים פשוטים על פני השטח.

ההתקדמות האחרונה בלמידה של מכונות מעצבת מחדש את האופן שבו חוקרים ומהנדסים ניגשים לחיזוי מעבר לשכבת גבולות.על ידי הכשרת רשתות עצביות, יערות אקראיים ומכשירי וקטורת תמיכה בנתוני נתונים גדולים של מדידות ניסיוניות וסימולציות נאמנות גבוהה, כעת ניתן לבנות מודלים שלוכדים אינטראקציות לא ליניאריות, חשבון עבור מספר רב של השפעות במקביל, ולספק תחזיות בשבריר שנייה של שיטות מונעות נתונים אלה, לא מחליפות את הטכניקות פיזיות יותר, אלא מחזקות, אלא מאפשרות לשיטות למידה מדויקות יותר, אלא לשיטות למידה מתקדמות יותר, אלא גם שיטות מתקדמות יותר, אשר יכולות להיות יעילות, אך יעילות, הן שיטות למידה מתקדמות יותר, כדי לפתח שיטות למידה מתקדמות יותר, באופן מדויק יותר, כדי לפתח שיטות למידה, כדי לפתח שיטות מתקדמות יותר, אך ורקמות, כדי לפתח שיטות למידה מתקדמות יותר, באופן קבועות, באופן קבוע יותר, כך, כדי לפתח שיטות למידה, כדי לפתח שיטות למידה מתקדמות יותר, באופן קבועות, באופן קבועות, באופן קבוע, כדי לפתח שיטות למידה, באופן קבוע יותר, כדי לאפשרות יותר, כדי לפתח שיטות למידה, באופן קבוע, כדי לפתח שיטות למידה, כדי לפתח שיטות למידה, כדי לאפשרות יותר, כדי לפתח שיטות למידה, כדי לפתח שיטות למידה, כך, כדי

הפיזיקה של מעבר שכבת Boundary Layer

הבנת מדוע וכיצד שכבות הגבול מעבר מלצר לזרימה סוערת חיוני להעריך את הערך שלמידה מכונה מביאה לחיזוי מאמצים. שכבת הגבול עצמה היא האזור הדק של נוזל ישירות ליד משטח מוצק שבו קוצר הרוח מאט את הזרם יחסית לזרם החופשי, אך גם בתוך שכבת גבול laminar, חלקיקים נעים בתוך רגע זרימה חלקה, מקבילה.

המעבר יכול להתרחש באמצעות מספר מסלולים נפרדים, כל אחד נשלט על ידי מנגנונים שונים של חוסר יציבות בסביבה נמוכה, כגון טיסה גבוהה של מטוסים, התהליך מתחיל בדרך כלל עם הצמיחה של גלי Tollmien-Schlichting נודדים כי ככל שהם נוסעים במורד הזרם. כאשר גלים אלה מגיעים מספיק מעצימה, הם מפתחים מבנה תלת מימדי, יוצרים גלי חום שיער, ובסופו של דבר לשבור את דרכי הנשימה ליניארית באופן מלא.

החשיבות המעשית של תחזית מעבר לא ניתן להגזים.עבור מעצבי מטוסים, עיכוב המעבר laminar-to-להיגע על כנפיים מפחיתה את חיכוך העור ל- 50%, בתרגום ישיר לחיסכון בדלק ולפליטה נמוכה יותר.עבור מעצבי להב גז טורבינות, צופה המיקום של מעבר קובע דרישות קירור ומשפיע על חיי הנדסה מגוונים.

שיטות חיזוי מסורתיות ומגבלות

מוטציות אמפיריות

תרגול הנדסי התבסס על קורלציות אמפיריות הנגזרות מניסויים אידיאליים.הקריטריון של המעבר של מישל, למשל, מתייחס למספר עובי הריבוי המומנטום של ריינולדס לגורם הצורה כדי להעריך את המעבר בתחילתו.האבו-ג'נאם וחשבונות Shaw לנטרליזציה חופשית של עוצמת טורבינות ולחץ ⁇ .אלה פשוטים ליישום ומהירות, מה שהופך אותם אטרקטיביים בשלבים מוקדמים, הם פותחו ממרחקים, לא פחות או לא פחות, לא פחות, לא פחות, ולא מציגים נתונים פשוטים, ולא פחות או יותר, הם מציעים, או יותר, אלא גם לא פחות או יותר, אלא גם לא פחות או יותר, הם מציעים, לא פחות או יותר, לא פחות או יותר, לא פחות או יותר, לא פחות, הם מציעים, לא פחות או יותר, לא פחות או יותר, אלא גם על גבי מספר קלו כמשמעו, אלא על גבי מספר לא פחות, לא פחות או יותר, לא פחות או יותר, לא פחות, לא פחות או יותר, אלא על גבייתנים של תאים מהירים של מעבר של תאים מהירים, הם מציעים, הם מציעים, לא פחות, לא פחות או יותר, הם מציעים, הם מציעים, לא פחות או יותר, הם מציעים, לא פחות או יותר, לא פחות או יותר,

המונחים:

תורת היציבות קואר, במיוחד שיטת eN, מספקת גישה מבוססת יותר לפיזיקה.על ידי חישוב גורם הגדלה של גלי ההפרעה לאורך פני השטח והשוואה אותו לערך סף קריטי בדרך כלל בין 7 ל-11 מהנדסים יכול להעריך מיקום מעבר.השיטה eN עובדת היטב עבור סביבות עם זעזועים נמוכים של זרם חופשי, וניתן למזג אותו עם פתירת גבולות לניתוח יעיל.

סימבולית ישירה ודמיון אדדי גדול

בקצה הנאמנות הגבוהה של הספקטרום, סימולציות מספריות ישירות פותרות את כל המאזניים של התנועה מן הסדינים הגדולים ביותר למטה אל הקשקשים של קולטמורוב.DNS מספק פתרונות מדויקים של משוואות Navier-Stokes בדיוק ויכול ללכוד את הפיזיקה המלאה של המעבר, כולל התמוטטות לא ליניארית.העלות החישובית היא בלתי מונעת עבור מספרים הנדסיים מעשיים, הגבלת זמן קצר יותר ויותר לדגימות גיאומטריות המכילות גבוהות של שימוש.

Machine Learning Frameworks for Transitionחיזוי

גישות למידת מכונה מתייחסות למגבלות של שיטות מסורתיות על ידי למידה ישירות מהנתונים. במקום להסתמך על מודלים פיזיים פשוטים או פרמטרים מכווננים אמפיריים, אלגוריתמי ML מגלים דפוסים, קורלציות, ומערכות יחסים פונקציונליות המוטבעות במידות ותוצאות סימולציה.הבחירה של אלגוריתם, איכות של נתוני אימון, ובחירת תכונות קלט קובעים את ההצלחה של המודל החיזוי.

רשתות

רשתות עצביות עמוקות הפכו לאדריכלות ה-ML הנרחבת ביותר לחיזוי מעבר לשכבות הגבול. Feedforward רשתות עם שכבות נסתרות מרובות יכולות להיות מורכבות מאוד פונקציות מקומיות למיפוי פרמטרים מקומיים כדי לעבור על מיקום ההתחלה או ניתוק עמוק יותר.רשתות עצביות מהפכתיות יעילות במיוחד כאשר הן מוחלות על 2 זירות חישוביות או תלת-ממדיות, תכונות למידה מרחביות ישירות ממהירות או התפלגות לחץ.

מכונות וקטור וזרמים אקראיים

מכונות וקטור תמיכה מצטיינים במשימות סיווג שבו המטרה היא להבחין laminar מאזורים סוערים בתחום זרימה. על ידי מיפוי תכונות קלט לתוך שטח גבוה יותר ממדים ולמצוא היפרפלפליטיס, SVMs לייצר מסווגים חזקים אשר באופן כללי גם עם נתונים הכשרה מוגבלת.

שיטות גאוסיאניות ו Bayesian

תהליך גאוסיאני מספק מסגרת פרוביביליסטית לחיזוי מעבר, המספקת לא רק הערכה נקודה אלא גם מדד של אי ודאות חיזויית.זה ערך להחלטות הנדסיות שבו נדרשת הערכת סיכונים.רשתות עצביות באירסיאן משלבות את הגמישות של למידה עמוקה עם אי-ודאות עקרונית, אם כי הם דורשים נהלי הכשרה מתוחכמות יותר.

איסוף נתונים והנדסת תכונות

מקורות מידע הדרכה

הביצועים של כל מודל למידת מכונה מוגבל ביסודו על ידי איכות וכמות נתוני האימון שלה.עבור מעבר שכבת גבול, מקורות נתונים כוללים ניסויים מנהרות רוח, בדיקות טיסה, סימולציות מספריות ישירות, וסימולציות eddy גדולות. נתונים ניסיוניים לוכדים השפעות פיזיות אמיתיות כולל גסות פני השטח, זעזועי זרם חופשי, והפרעות אקוסטיות אבל יקר להשיג ומוגבלות בכיסוי מספק נתונים ניסיוניים מאפשר שילוב של חומרים משפטיים מרובים של חומרים גמישים.

בחירת

בחירת תכונות קלט נכונות היא קריטית עבור דיוק מודל ו generalization. הבנה פיזית מדריך את הבחירה של פרמטרים מקומיים וגלובאליים הידועים להשפיע על מעבר.תכונות חיוניות כוללות את המספר ריינולדס מבוסס על מומנטום, את הגורם הצורה, עוצמת הזעזועים החופשיים הזרם החופשי, את הלחץ פרמטר ⁇ , ואת המאפיינים העפרפיים פני השטח. , קבוצות תכונה מתקדמת עשוי לכלול מידע ספקטרלי מהפרעה גל, צבע קיר-נורמלי, פרופילים או שילוב של אנרגיה, כגון תכונות אינפורמטיביות אופטימסטרטיביות, כגון אופטימיזציה של תכונות מתקדמות.

עיבוד נתונים והערכה

נתונים רול מניסויים וסימולציות מכילים לעתים קרובות רעש, ערכים חסרים, ו unconsistencies ברזולוציה דגימה.שלבים עיבוד כוללים סינון רעש גבוה ⁇ , בין היתר על רשתות אחידות, ונרמל תכונות לאפסת משמעות וכושר השחלות יחידה כדי להבטיח אימון יציב. Data יתרת באופן מלאכותי מרחיבה את ההכשרה שנקבעו על ידי יישום שינויים ריאליים פיסיים כגון הפרעות קלות של גבולות או טמפרטורה נמוכה של סיכון קטן, במיוחד.

מודל אימון ואימות

אסטרטגיות אימון

מודלים של למידת מכונה עבור תחזית מעבר כרוך איסוף נתונים זמינים לאימון, אימות, ומבחן ערכות.מערכת האימונים משמשת לייעל פרמטרים מודל, מערכת אימות מדריכי היפר-פרמטר בחירה ומונעת התאמה יתר, ואת סט הבדיקה מספק הערכה בלתי-מאומתת של ביצועים סופיים.עבור רשתות עצביות, הכשרה מתקדמת באמצעות חזרה עם ירידה ⁇ סטית או גרסאות מודרניות כגון אדם למידה, שימוש בטכניקות אובדן קבועות, יש שיפור תפקוד רגיל.

בדיקה אחרונה ב-48 ביולי 2008. ^ Cross-Validation and Unquity Assessment

קל-כפל cross-validation מספק הערכה חזקה יותר של ביצועי המודל על ידי רכיבה על אופניים באמצעות מחיצות שונות של הנתונים.עבור תחזית מעבר, עזיבה-one-geometry-out cross-validation היא תובענית במיוחד, בדיקה אם המודל יכול להכלל לצורות חדשות לחלוטין לא נראות במהלך אימון.הערכה בלתי-וודאית הולכת מעבר לשגיאות פשוטות, מרווחי ערך, תחזיות והסתברותיות שמספרות על ידי מהנדסים רבים, מאשר לאפשרות של חוסר ודאות.

אימות נגד נתונים ניסיוניים

המבחן האולטימטיבי של כל שיטת חיזוי מעבר מבוססת ML הוא השוואה נגד מדידות ניסיוניות שלא שימשו במהלך אימון. Wind Tunnel בדיקות על ג'קמטות סטנדרטיות כגון NACA 0012 Airfoil, כנף OneRA D, ולוחות שטוחות עם לחץ מבוקר ⁇ s לספק נתונים מדויקים עבור אימות. metrics כגון השגיאה המוחלטת במיקום, ההתאמה בין ביצועים חד-משמעיים ומדיקים של מודלים חיוביים לדגם אחד של ניגודיות אחת לתאים שונים.

יישומי הנדסה ומחקרי מקרים

אופטימיזציה של עיצוב אווירי

אחת היישומים המבטיחים ביותר של חיזוי מעבר מבוסס ML היא אופטימיזציה של צורה אווירודינמית. לולאות אופטימיזציה מסורתיות המפעילות סימולציות RANS עם מודלים מעבר הם יקרים חישוביים, לעתים קרובות דורשות אלפי הערכות תפקוד. על ידי החלפת רכיב החיזוי המעבר עם רשת עצבית מהירה פונדקאית, זמן אופטימיזציה הכולל ניתן להפחית על ידי הזמנות של גודל החוקרים הוכיחו גישה זו עבור זרמי אוויר, פיתוח עיצוב טבעי, תוך השגת מטרות ירידה מדויקת של זמן המעבר בין זמן המעבר בין מגבלות זמן המעבר בין זמן המדויק לרמה של מיקום.

Hypersonic Boundary Layer Control

במהירויות היפרוזיות, מעבר שכבת הגבולות מושפע מאפקטים גזים עתיריים גבוהים, תגובות כימיות, וכיסוי פני השטח.שיטות חיזוי מסורתיות נאבקות בתנאים אלה, כי המודלים הפיזיים הבסיסיים לכימיה ותרמודינמיקה מוסיפים אי ודאות.מודלים למידה מכונה מאומן על נתונים ממנהרות רוח היפרוזיאניות חישובים ישיר מונטה קרלו הראו את היכולת לחזות מעבר על לוחות זמנים ומכוניות מתקדמות אלה.

טורבומנטרי בדס

במנועי טורבינות גז, שכבות הגבול להב חווים תנודות לחץ חזקות, זעזועים חופשיים גבוהים, ו מתעוררים ללא עכבות בשלבים הבאים של הזרם. חיזוי המעבר כאן מסובך על ידי אינטראקציה של מנגנוני מעבר מרובים המתרחשים בו זמנית.מודלים ברשת נילדורית מאומן על נתונים סימולציה גדולה של זרמי טורבינות cascade יש להתאים את המדידות ניסיוניות של העברת חום עם שגיאות מתחת ל -5 אחוזים.

Wind Turbine Rotors

להבים טורבינות רוח פועלים במספרים של ריינולדס, שבהם מעבר ל-Laminar-to-to-turbulent משפיע באופן משמעותי על פלט חשמל ועומסים מבניים.הגאומטריה המורכבת תלת-ממדית, אפקטים רוטאליים, ומשתנים בתנאי זרימה הופכים את השיטות המסורתיות לא אמין.מודלים של למידת מכונות מאומן על מדידות שדה מטורפות כלי רכב בשילוב עם סימולציות נוזליות ניקודמות נייחות חזו בהצלחה את המעבר כתפקוד של מהירות רוח, זווית, זווית ראייה וחיזוי חיזוי חיזוי חיזוי חיזוי חיזוי חיזוי חיזוי חיזוי חיזוי חיזוי חיזוי חיזוי חיזוי חיזוי חיזוי חיזוי חיזוי חיזוי חיזוי חיזוי חיזוי טמפרטורות פעיל.

יתרונות על שיטות מסורתיות

היתרונות של למידת מכונה עבור תחזית מעבר לרמה גבולות החיזוי המשתרעים מעבר לדיוק הגלום.מהירות היא גורם מרכזי.רשתות עצביות מאומנים לייצר תחזיות במיקרו-שניות, ומאפשרות להם להיות מוטבע בתוך מערכות בקרה בזמן אמת או בשימוש עבור מונטה קרלו אי ודאות קוונטית עם אלפי הערכות.היכולת להתמודד עם רמות לא ליניאריות מספיקות ללא פשטות של הנחות הנדסיות פירושה לכידת באופן טבעי בין מנגנונים מרובים של אבטחה, תנאים, והפרעות ללא שינוי, ועדכונים חופשיים, כמו גם , כמו גם הפחתה מהירה יותר, כמו גם הפחתה של נתונים, בניגוד להורדת דיוקים, לעומת מודלים מתקדמים יותר, לעומת ירידה דרמטית, לעומת ירידה של נתונים, לעומת ירידה של נתונים, לעומת ירידה דרמטית, לעומת ירידה של נתונים, לעתים קרובות יותר, לעומת ירידה של למערכות אבטחה מתקדמת יותר, לעומת ירידה של נתונים, לעומת ירידה של סימולציה של למערכות אבטחה מתקדמת יותר, לעומת ירידה של למערכות אבטחה מתקדמת יותר, לעומת ירידה של למערכות ה-DNS.

אתגרים ומגבלות נוכחיות

למרות ההבטחה, אתגרים משמעותיים נשארים לפני הלמידה מכונה הופכת כלי שגרתי לחיזוי מעבר.מחסור בנתונים הוא הנושא הבסיסי ביותר.נתוני מעבר ניסיוניים יקרים להשיג ולעתים קנייניים, בעוד שנתוני סימולציה נאמנות גבוהה דורשים משאבים חישוביים עצומים.רבים מחקרים ML שפורסמו מסתמכים על נתונים המכסים רק פרמטרים צרים, העלאת שאלות לגבי הקצאה לתנאים חדשים.

אקסטרפולציה מעבר לתחום האימונים נותרה מסוכנת.מודל המוכשר על נתונים תת-קוליים עשוי לתת תחזיות לא מדויקות עבור כנפיים טרנזין סחף, וגילוי כאשר חיזוי אינו אמין דורש אי ודאות זהה עדיין אזור מחקר פעיל.שילוב של מודלים ML לתוך דינמיקה חישובית קיימות של עבודה נוזלית מציג אתגרים מעשיים.רוב מטוסי CFD הם כתובים בפורטרן או ++ ויש להם קוד קשיח כדי לשלב מודלים סטנדרטיים על ידי למידה סטנדרטיים.

כיוונים עתידיים ומגמות מתפתחות

כמה כיוונים מבטיחים מעצבים את הדור הבא של תחזית מעבר מבוססת ML.רשתות עצביות מבוססות פיסיקה משלבות את המשוואות השולטות של תנועה נוזלית ישירות לתוך תפקוד אובדן האימון, להבטיח כי תחזיות מספקות חוקי שימור ומגבלות פיזיות אפילו באזורים עם נתונים דליקים.העברה למידה מאפשרת מודלים מאומנים מראש על סימולציות גדולות כדי להיות מכוונן עם כמויות קטנות של נתונים ניסיוניים, צמצום דרמטי של דרישות נתונים עבור יישומים חדשים, אשר משלבים של בדיקות מתמטיים, עם שיטות בדיקה מתקדמת ביותר של שיטות בדיקה מתקדמת ביותר של נתונים.

אסטרטגיות למידה אקטיבית מאמנים מודלים על נקודות נתונים כי הם אינפורמטיבי ביותר לשיפור התחזיות, צמצום כמות הנתונים הנדרשת. Reinforcement למידה נחקרת עבור יישומי בקרת זרימה שבו מודל ML לומד אסטרטגיות אופטימליות לעיכוב המעבר באמצעות הפעלה.הצמיחה המתמשכת של כוח חישוב ופיתוח של נתונים מתקדמים יותר, מקיפה יותר רזולוציה.

מסקנה

תחזית מעבר שכבתי של שכבתיות נכנסת לעידן טרנספורמטיבי המונע על ידי למידת מכונה.היכולת ללמוד ישירות מהנתונים ניסיוניים והסימולציה, ללכוד אינטראקציות מורכבות לא ליניאריות, ולספק תחזיות מהירות פותחות אפשרויות חדשות לעיצוב אווירודינמי, שליטה זרימה ואופטימיזציה של המערכת.בעוד אתגרים הקשורים לזמינות נתונים, מודלים פירושים, והכלליזציה תישאר, מסלול ההתקדמות הוא ברור מהנדסים שמשקיעים בהבנה וליישם שיטות אלה יהיו מצוידות יותר, יעיל, מערכות אנרגיה, יעילות, יעילות, יעילות, יציבות, וכן הלאה, וכן הלאה, מערכות אנרגיה, יעילות, יעילות, וכן הלאה, יציבות, יציבות, וכן הלאה, וכן הלאה, וכן הלאה, מערכות יעילות, יציבות, יציבות, וטכנולוגיות תעשייתיות, יציבות, יציבות, וטכנולוגיות יציבות, וכן הלאה, הן טכנולוגיות בטוחות יותר, וטכנולוגיות יעילות, וטכנולוגיות יעילות, וטכנולוגיות יעילות, וטכנולוגיות יעילות, וכן הלאה.

למידת מכונה אינה תחליף את הצורך בהבנה פיזית עמוקה של פיזיקה שכבת הגבולות.במקום, היא מדגימה את הערך של הבנה זו על ידי כך שהיא ניתנת ליישום רחב יותר, מהר יותר, ועם פחות חישובי עלות ככל שהנתונים גדלים, אלגוריתמים משתפרים, ואמון בתחזיות המונעות נתונים על ידי הגדלת, חיזוי מעבר מבוסס ML הופך להיות חלק חיוני של כלי הדינמיקה הנוזלית.