Понимание турбулентности с помощью искусственного интеллекта

Концептуальная карта рабочего процесса, используемой в этом исследовании.(Верхний левый) Мгновенные события стресса Рейнольдса (Q), идентифицированные в турбулентном канале.(Верхний правый) Общий вклад и общий вклад на единицу объема каждого типа события в прогноз U-NET.Рабочий процесс, включающий три шага: 1 u-net используется для прогнозирования следующего поля мгновенного потока (время ti+1) на основе текущего (Ti);2 Структуры развиваются, поэтому некоторые могут рассеиваться в следующем поле (желтое), другие могут быть уверены (остальные цвета), а некоторые могут даже слиться с более крупными (не показаны);3 Расчет вклада каждой структуры (серый оттенок) в прогноз следующего поля.Кредит: Природная связь (2024).Doi: 10.1038/s41467-024-47954-6

На самом деле, турбулентность является важным фактором рассеяния энергии в этих способах транспортировки, что составляет до 15% годовых выбросов CO2, полученных в результате человечества.

Теперь международная команда, состоящая из ученых из Университетской Политичники де Вейнсия и университетов Эдинбурга и Мельбурна, во главе с Рикардо Винеса из Института потока Королевского технологического института, Кт, разработала новую технику, которая позволяет нам изучать турбулентность.совершенно отличается от того, что использовалось за последние 100 лет.Их работа была опубликована в Nature Communications.

Основная сложность механики жидкости заключается в том, что «хотя уравнениям механики жидкости около 180 лет, проблема остается открытой. Эти уравнения неразрешимы алгебраически или численно для практических случаев, даже для крупнейших компьютеров мира. Для типичного струя, мыПотребуется память, эквивалентная месяцу Интернета, только для настройки симуляции », - говорит Серхио Хойас, профессор аэрокосмической техники в UPV и исследователь в IUPPA.

«Нам нужно понять турбулентность, чтобы улучшить упрощенные модели, используемые в повседневной жизни. И есть новый инструмент: искусственный интеллект», - говорит Винеса.

Хотя несколько работ уже применяют искусственный интеллект к механике жидкости, великая новизна этого исследования заключается в том, что он впервые позволяет не имитировать или предсказывать, а понимать турбулентность.

Из базы данных примерно одного терабайта исследователи обучили нейронную сеть, которая позволяет прогнозировать движение турбулентного потока.Используя эту сеть, им удалось отслеживать эволюцию потока путем индивидуального удаления небольших структур, впоследствии оценивая влияние этих структур с использованием алгоритма формы.

«Самое главное, что результаты этого анализа точно соответствуют знаниям, полученным за последние 40 лет и расширили его. Наш метод удалось воспроизвести эти знания без нейронной сети, зная что -либо о физике», - говорит Андрес Кремады, постдокторантИсследователь в KTH и первый автор статьи.

«Экспериментальная валидация с данными из Мельбурнского университета указывает на то, что наш метод применяется к реалистичным потокам и открывает новый путь для понимания турбулентности», - говорит Винеса.

Больше информации: Andrés Cremades и др., Идентифицируя область, важные в турбулентности, связанной на стене, посредством объяснимого глубокого обучения, природной коммуникации (2024).Doi: 10.1038/s41467-024-47954-6