Вплив машинного навчання на вирішення проблем з непередбачими

де ρ є щільність, p є тиском, ν є kinematic в'язкість, і f] являє собою сили тіла. Незважаючи на їх помітно компактний склад, ці рівняння втілюють деякі з найглибших нерозчинених проблем в математики. Інститут глини Списує існування і гладкість Navier-Stokes рішень як один з семи Millennium Prize проблеми. Для практичної інженерії реальний виклик лежить в обробці турбулентності—хаотичного, багатомасштабних потоків, які з'являються в високих числах Reynolds. Турбулент передбачає великий діапазон протяження і просту заборону, простий режим

Комустаційна стіна: традиційні нумеричні методи

Історично розв’язуючи Navier-Stokes для реальних додатків світу, спираючись на ієрархію чисельних методів:

• Пряме чисельне моделювання (DNS): Вирішує всі масштаби руху. Розміри розмірів сітки як Re^9/4], що стає недорогим над Re=10⁴].
• Large Eddy Моделювання (LES): Розчиняє великі вмирання і моделі невеликих масштабів (підрослих моделей). Натюрмортні для складних геометерей.
• Reynolds-Averaged Navier-Stokes (RANS):] Час-заходів рівнянь, введення задач замикання, що вимагають турбулентних моделей (наприклад, k-ε, k-ω SST). Ці моделі швидко, але часто неприпустимо для відокремлених потоків, обертаючи витрати, або складних граничних шарів.

Кожен метод працює точність для обчислювальної вартості. РАНС і LES переважають промисловий CFD, але їх емпіричні моделі замикання не можуть при екстраполяції за межами даних про навчання. Крім того, установка надійного моделювання CFD вимагає експертних знань в сітчастих, граничних умовах, налаштуваннях розчинника та вибір моделі турбулентності. Для своєчасних додатків -реагування, оптимізація або клінічна підтримка прийняття рішень - це занадто повільні. Машинне навчання пропонує шлях, щоб зламати цей пляшк.

Як машинне навчання трансформованих задач по флейти

Машинне навчання, особливо глибоке навчання, надає інструменти для вивчення складних функціональних відносин безпосередньо з даних. У динаміці рідини дані можуть приходити з експериментальних вимірювань або моделювання високої чіткості. Скоріше, ніж розв’язання керівних рівнянь з нуля кожного разу, тренувальна нейромережа може приблизити картування від входів (геометрія, граничні умови, кількість рейнолдів) до виводів (гора онкості, розподіл тиску, сили). Це дає піднятися на дві широкі категорії МЛ підходів: дані-керовані сурогати і фізико-інформовані моделі.

Моделювання даних-Driven Surrogate

Сурогатні моделі замінюють обчислювально дорогий розчинник з швидкою нейромережею. Наприклад, конвюнктурна нейромережа (CNN) може бути навчена на даних, що містяться в DNS знімки для прогнозування наступного часу кроку турбулентного потоку. Редувні моделі (ROMs), побудовані з авторедкодери або належного ортогонального розкладання (POD) у поєднанні з нейромережами, можуть стискати об'ємний державний простір в низьковимірне пізнання, що дозволяє швидко прогнозувати.

Ці сурогати можуть зменшити час моделювання кількома замовленнями величини, що дозволяють проводити реальні прогнози для проектування турбіни, прогнозування погоди або аналізу потоку крові пацієнта. Однак вони є тільки такими, як хороші дані, які навчаються. Додатковіположення для нездужання режимів—різні цифри, геометереї, або потік фізики —часто не зникають. Цей обмеження натискає поле до моделей, які поєднують фізичні закони безпосередньо.

Фізико-інформаційні мережі (ПІН)

Введений Раісі та ін. в 2019 році PINNs включає керівні рівняння як м'який концентрат під час тренувань. Нейромережа приймає координати космічного часу як вхід та виводить поле швидкості та тиск. Функція втрати включає не тільки дані невідповідності (якщо позначені дані існують), але й залишок рівнянь Navier-Stokes, що комп'ютерні через автоматичне диференціювання. За рахунок залучення часткових диференціальних рівнянь на множині точок кола, PINNs дізнаються рішення без необхідності великих позначених даних.

Переваги є значними: PINNs може обробляти нерегулярні геометереї, кодувати складні граничні умови, і відновити рішення навіть від даних про вимірювання паростків. Вони успішно застосовуються до ламінарних потоків, вихрових обшивок і навіть деяких турбулентних режимів. Однак PINNs стикаються виклики з високочастотними особливостями, проблемами жорсткості і багатомасштабним турбулентом. Дослідники розвиваються адаптивні стратегії відбору проб, декомпозиція домену та навчання навчальних планів для поліпшення конвергенції. Original PINNs папір]

Машинне навчання для закриття турбулентності

Один з найбільш продуктивних напрямків використовується ML для поліпшення моделей турбулентності в RANS і LES. Замість використання моделі eddy-viscosity, нейромережа може дізнатися функціональні зв'язки між функціями потоку і напругами Reynolds. За допомогою тренінгу на високофіделіті DNS дані, ці моделі турбулентності даних може захопити ефекти, як анізотропія, обертання і поділ, що традиційні моделі пропускають.

Для LES, підрослих моделей, які параметризовані нейромережами, можуть прогнозувати нерозчинні напруження більш точно, ніж класична модель Смагоринський. Аналогічно, машинне навчання може виправити для чисельних помилок в умовах вибухонебезпечних імітацій. Ці гібридні підходи підтримують обчислювальну ефективність РАНС/ЛП, досягаючи точності ближче до DNS. Окремлений огляд ML для моделювання турбулентності

Практичні програми Придбання

Машинне навчання вже робить вплив на кілька доменів, де рішення Navier-Stokes є критичними:

• Аерокосмічний: Оптимізація форм повітряної фольги з використанням сурогатних моделей зменшує перетягування та шум. ML також допомагає прогнозування аеродинамічних навантажень під час маневрування повітря.
• Climate and Weather: Емулятори для циркуляції океану та атмосферної динаміки прискорюють кліматичні проекції. ML-подібне знезагальнення рафінів, що коарсе глобальні моделі до місцевих прогнозів.
• Біометична інженерія: Хворі специфічні гемодинаміки для аортизамів аорти, коронарних артерій, а також мозкових потоків, які отримують перевагу від моделювання в реальному часі за допомогою моделей PINNs або знижених порядку.
• Енергія:] Симуляторний потік через вітроелектростанції, теплообмінники та камери згоряння стають швидше, що дозволяє ітеративну оптимізацію дизайну.

Нерідко NVIDIA розробила інструменти, такі як NVIDIA Modulus, які поєднує фізико-інформовану освіту з прискореними обчисленнями для вирішення таких проблем у масштабі.

Заново-експертна робота

Незважаючи на вражаючі результати, машинне навчання для Navier-Stokes не є срібною кулею. Ключові заглушки включають:

• Data quality and number: Висока якість даних DNS є дорогими для створення. Моделі, що навчаються на обмежених даних, можуть не збільшуватися.
• Загальна робота:] Нейромережа, яка навчається для потоку навколо циліндра в Re=100, не працюватиме на машині в Re=10⁶]. Методи передачі та багатофіделітетних методів активного дослідження.
• Інтерпротивабельність: Багато моделей МЛ діють як чорні коробки. Сертифікація інженера вимагає розуміння того, чому моделювання врожає певного результату.
• Інтеграція з десертифікатними розчинниками: Комерційні інструменти CFD зрілі; замінюючи їх повністю з ML непрактично. Гібридні підходи, які розчинники з нейромережами, швидше за все, можуть досягти успіху.
• Numerical стабільності: Прогнозування мережі Neural може ввести нефізичні коливання або порушення законів збереження. Надання послуг включає в себе багатонаціональні архітектури (наприклад, використання дивергенції безперешкодних функцій).

Майбутні напрямки включають розробку модулювання моделей для динаміки рідини —великі попередньо напружені мережі, які можуть бути тонко налаштовані для конкретних завдань, схожих на GPT для природної мови. Багатомодальні моделі, які об'єднують імітаційні дані, експериментальні зображення, а також текстові описи можуть перетворювати, як інженери взаємодіють з проблемами рідини. Ключова перспектива на ML і механіки рідини

Висновки: Нова ера для комп’ютерної динаміки флейтиду

Машинне навчання не про заміну рівнянь Navier-Stokes - це про аугментацію нашої здатності вирішувати їх. Продаючи більш швидке наближення, більш точні моделі турбулентності, а також можливість дізнатися з даних, ML робить рідкими імітаціями, доступні, де вони раніше непрофіновані. Фізико-інформовані та методи обробки даних, які мають сильні сторони; їх поєднання має найбільшу обіцянку. Як обчислювальна потужність і доступність даних продовжують рости, машинне навчання стане невід'ємною частиною кожного інструменту динамічних рідин. Кінцева мета -реально-часовий, точний, надійний імітацій турбулентних потоків - це ближче, ніж ці досягнення.