[FONT:0]Makine öğrenmesi, sıvı dinamiklerinin (CFD) tekrarlanmasıdır ve uçak tasarlaması için en ünlü problemlerden birine yaklaşımlar yapılır: Navier-Stokes denklemlerini çözmesi;), Bu denklemler, sıvıların hareketini ve gazların hareketini yönetir - ve doğru çözümün, özellikle de okyanussal bilgileri modellemek, ve kan akışını anlamak için gerekli olduğunu gösterir.

Navier-Stokes denklemleri, Newton'un ikinci yasasından elde edilen doğrusal olmayan kısmi türevli denklemlerin bir setidir.Seks alanının nasıl tanımlandığını açıklarlar:0)[Dönemliler, vius stresleri ve dış vücut güçleri gibi kuvvetler altında evrimleşirler.In their incompressible form, they are written as:0Conu

[FONT:0] ⁇ [DÜDÜŞÜNÜ:2)[Üye/Üye/Üye/Üye/Üye/Üye/Üye/Üye/Üye)[Üye/Üye/Üye/Üye/Üye/Üye/Üye/Üye/Üye) ⁇ .

⁇ 'nin yoğunluk olduğu yerde, p baskı, ⁇ , matematikte çözülmemiş problemlerin bazılarıdır ve Navier-Stokes çözümlerinin yedi bin yıllık bir sınavdan biri olarak ortaya çıkar.Gerçek meydan okumalar, türbülanslarla ilgili bazı temel akışlar -chaotic, çok boyutlu akışlar yüksek Reynolds sayılarına sahip.Turbulences Institute, çok daha basit bir dizi uzun ve daha basit bir simülasyonu içerir.

C ⁇ Duvarı: Geleneksel Sayısal Yöntemler

Tarihsel olarak, Navier-Stokes'i gerçek dünya uygulamaları için çözme sayısal tekniklerin hiyerarşisine dayanıyor:

  • [FONT:0)Direct Numerical Simülasyon (DNS): Tüm hareket ölçeklerini yeniden ölçeklendirir. ).9/4[DDNST:3)
  • [FONT=0)Large Eddy Simülasyonu (LES): ), Resolves büyük eddies ve modeller küçük ölçekler (subgrid-scale modeller). hala karmaşık geometriler için pahalı.
  • [FONT:0]Reynolds-Averaged Navier-Stokes (RANS):), Zaman zamanlayıcılar denklemleri, türbülans modelleri gerektiren kapanış sorunları (örneğin, k- ⁇ , k- ⁇ SST).

Her yöntem hesaplama maliyeti için doğruluktan yoksundur. RANS ve LES endüstriyel CFDe hükmediyor, ancak ampirik kapanış modelleri eğitim verilerinin ötesinde fazladan başarısız olduğunda başarısız olur. Ayrıca, sağlam bir CFD simülasyonu bu şişeleri kıran bir şekilde çözmeyi talep ediyor.

Makine Öğrenmesi Akışkan Problemleri Nasıl Dönüştürüyor

Makine öğrenmesi, özellikle derin öğrenme, karmaşık fonksiyonel ilişkileri doğrudan veriden öğrenmek için araçlar sağlar. Akışkan dinamiklerinde, bu veriler deneysel ölçümlerden veya yüksek sadakat simülasyonlarından gelebilir.Her seferinde yönetim denklemlerini çözmek yerine, eğitimli bir sinir ağı, girişlerden (geometri, sınır koşulları, Reynolds numarası) çıkışlara (velocity alanı, baskı dağıtım, kuvvetler) ulaşabilir.

Data-Driven Surrogate Modeling

Şaşırtıcı modeller, bir tür akışın bir sonraki zaman adımını tahmin etmek için DNS snapshot'larının bir veri kümesi üzerinde eğitilebilir.Dönetici modeli (ROM)) otomatik kodlayıcılar veya doğru veya doğru veya sağlanmış bir veri kümesi ile inşa edilebilir (POD) bir dizindeki yüksek boyutlu durumu düşük boyutlu bir son gösterimine kadar sıkıştırabilir.

Bu keşifler, değişken rejimlere yapılan çeşitli emirlerle simülasyon süresini azaltabilir, gerçek zamanlı tahminlere izin verebilir, zincir tasarımı, hava tahminleri veya hasta bazlı kan akışı analizine yol açarlar. Ancak, sadece, eğitdikleri veriler kadar iyiler. Ekstrapolasyon, görünmez rejimlere, ya da akış fiziğine - bu sınırlamaları doğrudan modellere doğru itir.

Fizik-Informal Networks (PINNs)

Raissi ve al. 2019'da, PINNs, eğitim sırasında yönetim denklemlerini yumuşak bir kısıtlama olarak birleştirir. Bir sinir ağı, girdi ve hız alanı ve baskıyı ortaya koyar.Kaynak fonksiyonu sadece büyük veri yanlış eşleştirmeleri (if etiketli veriler varsa) içerir, ancak aynı zamanda Navier-Stokes denklemleri otomatik olarak hesaplanır.

Avantajları önemlidir: PINNs düzensiz geometrileri yönetebilir, kodlanmış karmaşık sınır koşulları ile karşı karşıya kalabilir ve sparse ölçüm verilerinden bile geri kazanılabilir.Onlar laminar akışlarına, vortex shedding'e başarıyla uygulanmıştır ve hatta bazı türbülan rejimlere kıyasla bazı zorluklarla karşı karşıya kalabilirler.

Turbulence için Makine Öğrenmesi Closure

En verimli yönlerden biri, RANS ve LES'teki türbülans modellerini geliştirmek için ML kullanıyor.Bir reklam hoc eddy-viscosity modelini kullanmak yerine, bir sinir ağı akış özellikleri ve Reynolds stresi arasındaki fonksiyonel ilişkiyi öğrenebilir. yüksek sadakatle DNS verileri üzerinde eğitimle, buİLMİŞT:0).

LES için, subgrid-scale modeller, nANS / CUMLU modeline göre çözümlenmemiş stresleri daha doğru tahmin edebilir. Benzer şekilde, makine öğrenimi, RANS/LES'in hesaplama verimliliğini korurken, DNS'e daha yakın bir şekilde devam edebilir. )

Pratik Uygulamalar Sürüş Kabul

Makine öğrenimi zaten Navier-Stokes çözümlerinin kritik olduğu birkaç alanda bir etki yaratıyor:

  • [FONT=0)Aerospace:[Dönderilmiş modeller kullanarak havafoil şekillerin sürüklenme ve gürültüyü azaltır. ML ayrıca uçak manevrası sırasında aerodinamik yüklerin tahmin edilmesine yardımcı olur.
  • [FONTD:0]Climate ve Hava: [DDD: 1) Okyanus dolaşımı için gözlemciler ve atmosferik dinamikler iklim projeksiyonlarını hızlandırıyor. ML-based downscaling rafineriler global modeller yerel tahminlere karşı.
  • [FONT:0)Biomedical Engineering:[Dönetici:[Dönetici:0)[Dönetici:0)Biomedical Engineering:[Dönetici:[Dönetici:0)[Dönetici:0)) Hastaya özgü hemodinamik, aortik aneurysms, koroner arterleri ve calis akışları, gerçek zamanlı simülasyondan PINNs veya azaltıcı modeller kullanarak yararlanır.
  • [FONT:0)Energy:[Döneticiler, ısı değiştiricileri ve yanma odaları daha hızlı hale gelir, iteratif tasarım optimizasyonuna olanak sağlar.

Muhtemelen, NVIDIA, böyle problemleri ölçeklendirmek için hızlandırılmış bir şekilde fizik-bilgili öğrenme ile birleştirir.

Meydan okumalar ve İleri Yol

etkileyici sonuçlara rağmen, Navier-Stokes için makine öğrenimi, gümüş bir mermi değildir. Anahtar engeller şunları içerir:

  • [FONT:0]Data kalitesi ve miktarı:[Dönetici:[Dönetici:0) Yüksek sadakat DNS verileri üretmek için pahalı. Sınırlı veriler üzerinde eğitilmiş modeller genellemez.
  • [FONT:0)Genelleştirme:[Dönetici:[Dönetici:0) Re=100'de bir silindir için eğitilmiş bir sinir ağı, Re=10).6).
  • [FONT:0) Sorumluluk:[Dönetici:[Döntilebilirlik:[Döntilebilirlik:[Döntilebilirlik:[Döntme:[Döntme:0) Birçok ML modeli kara kutular olarak hareket eder. Mühendislik sertifikası, simülasyonun neden belirli bir sonuç verdiğini anlamak gerektirir.
  • [FONT:0) Geleneksel çözücülerle ilgili olarak: Ticari CFD araçları olgundur; onları tamamen ML ile değiştirmek, nöral ağlarla birlikte birleştirici yaklaşımlar daha başarılı olacaktır.
  • [FONT:0]Numerical Stabilite:[Dönetici:[Dönetici:0)Neural ağ tahminleri fiziksel olmayan salınımları tanıtabilir veya koruma yasalarını ihlal edebilir.

Gelecek yönler, simülasyon verileri, deneysel görüntülerle bir araya getiren GPT'ye benzer, sayısal yöntemler için iyi eğitilmiş ağlara ilişkin temel bir perspektif (Dönerge-öldürülebilir) devrime yol açabilir.Influencesiyon modelleri[FONTT:1).

Sonuç: C ⁇ Akışkanlar için Yeni Bir Çağ

Makine öğrenimi Navier-Stokes denklemlerini değiştirmekle ilgili değildir - her biri güçlü bir şekilde çözme yeteneğimiz hakkındadır. Daha hızlı tahminler sunarak, daha doğru türbülans modelleri ve her sıvı dinamik araçtan öğrenme yeteneği, daha önce uygun olmayan bir şekilde erişilebilir hale gelir. Fizik-informasyon ve veri odaklı yöntemler her biri güçlülüğe sahiptir; kombinasyonlar, en iyi vaat tutar.