Инструмент глубокого обучения может помочь сократить выбросы, вызванные сопротивлением воздуха

Модель архитектуры и схема корпуса.β-Vae Encoder и декодер, (b) трансформатор.Размер выхода для каждого слоя был указан в каждом блоке.Символы T и Dmodel обозначают задержку с временем, MHA обозначает многоуровневое внимание.C Схематическое представление численной установки.Кредит: Природная связь (2024).Doi: 10.1038/s41467-024-45578-4

Инструменты глубокого обучения произвели революцию в аэродинамической инженерии для самолетов, автомобилей и кораблей, что позволило этим транспортным средствам быть более эффективными и структурно изысканными.Новая вычислительная модель показывает науку о воспроизведении воздушного потока, полагаясь на архитектуру нейронной сети, чтобы генерировать точные прогнозы при экономии времени, затрат и энергии.

Исследователи в Королевском технологическом институте KTH, наряду с сотрудниками в США и Испании, опубликовали модель в природе коммуникаций, сообщив, что она обеспечивает высокую степень точности в прогнозировании аэродинамического сопротивления с значительно более низкой вычислительной стоимостью.

Простой в своей конструкции и построенный с использованием данных, полученных из более сложных симуляций, структура - это то, что известна как модель пониженного порядка (ROM).Как следует из названия, они сохраняют самые важные особенности более сложных моделей, одновременно пропуская менее важные детали.

«Дело в том, чтобы уменьшить вычислительную сложность и сделать моделирование или анализ более эффективными», - говорит Рикардо Винеса, ведущий исследователь и доцент механиков жидкости в Королевском технологическом институте KTH.«Проектирование требует возможности запускать множество различных сценариев по низкой вычислительной затратах.

«Используя эту модель, мы можем получить довольно точные прогнозы многих сценариев».

Использование нейронных сетей - это то, что повышает модель, помимо тех, которые инженеры обычно использовали, чтобы сделать прогнозы из хаоса воздушного потока, говорит Винеса

Стандартное моделирование по сниженным порядку в флюидиках основано на линейных вычислениях, которые - в самых простых терминах - производят прогнозы посредством добавления и масштабирования значений.

Напротив, нейронные сети основаны на функции мозга.

«Очень свободно», - предупреждает Винеса.«Это не означает, что модель может думать сама, как предполагают многие люди».Но то, что они могут сделать - в отличие от линейных моделей - это изучать и отображать сложные отношения между входными и выходными данными.Это рассматривается как ценная способность при попытке общеизвестно сложной задачи прогнозирования и моделирования трения воздуха вблизи поверхности крыла самолета или поезда.

«Мы можем лучше предсказать, как изменяется поток вокруг крыла самолета с течением времени. Если мы сможем предсказать это лучше, мы можем контролировать поток, чтобы уменьшить сопротивление, а также мы можем лучше улучшить аэродинамический дизайн крыла».

Новая модель может запечатлеть большую часть исходной физики в прогнозировании потока, 90% или более, с относительно небольшой сложностью обработки, говорит Винеса.Для сравнения, достижение этого уровня точности является гораздо более сложной операцией для современных линейных моделей, таких как надлежащий ортогональный разложение (POD) и динамическое разложение (DMD).

«Линейные модели в основном представляют свои прогнозы очень простым способом по отношениям, которые могут быть упрощены до прямых линий и самолетов», - говорит он.«Но реальность более сложна. Вот почему наличие моделей, которые основаны не на прямых линиях, а все виды других форм позволяют нам добиться лучших прогнозов».

Что важно, учитывая, что аэродинамическое сопротивление вносит значительный вклад в глобальные выбросы.

При использовании в аэродинамическом контроле, эта технология может привести к сокращению сопротивления на 20%, 30%или даже 50%,-говорит он.-Она может оказать значительное воздействие на окружающую среду и помочь определить тип мирового сценария разминки, которые мыв конечном итоге в будущем.

«Экологические и экономические последствия огромны».

Больше информации: Alberto Solera-Rico et al., Β-вариационные автоходоры и трансформаторы для моделирования пониженного порядка потоков жидкости, природной связи (2024).Doi: 10.1038/s41467-024-45578-4