瑞士首次将流体力学与AI技术建模 可对汽车制造/天气预测带来重要影响

格士汽车讯据外媒报道，苏黎世瑞士联邦理工学院的研究人员首次将流体力学与人工智能技术相结合，成功实现了湍流的自动化建模。该项目将强化学习算法与CSCS超级计算机Piz-Daint上的湍流模拟相结合。

流体概念图湍流建模和模拟对于设计汽车和人造心脏瓣膜、预测天气甚至追踪星系的诞生至关重要。大约2000年前，希腊数学家、物理学家和工程师阿基米德致力于流体力学，但到目前为止，人们还没有完全理解流体流动的复杂性。物理学家理查德·费曼认为，湍流是经典物理学中最重要的未解决问题之一，也是工程师、科学家和数学家经常研究的课题。工程师在制造飞机或人造心脏瓣膜时必须考虑湍流的影响；气象学家正在预测天气，天体物理学家在模拟星系时需要考虑湍流的影响。因此，该领域的科学家已经对湍流进行了60多年的建模和模拟湍流的研究。湍流的特点是其流体结构跨越了广阔的时空边界，通常有两种方法来模拟这种复杂的流体结构：直接数值模拟和大涡模拟。DNS解决了Navier-Stokes方程，这是描述分辨率为数十亿甚至数万亿网格点的流体的核心方程。DNS是计算流体行为最准确的方法，但它不适合大多数现实世界的应用。为了捕捉这种湍流流体的细节，需要大量的网格点，而目前没有一台计算机能够处理如此多的网格点。

因此，研究人员在模拟中采用了用于建模的多智能体强化学习的示意图，允许计算每个细节并确保准确性。在LES方法中，求解了大流体结构，而所谓的湍流闭合模型解释了较小的流体及其与较大流体尺寸的相互作用。然而，为了获得准确的结果，选择正确的闭合模型至关重要。苏黎世联邦理工学院计算机科学与工程实验室的Petros Koumoutsakos教授表示，“在过去的60年里，湍流闭合模型的建模在很大程度上遵循了经验过程，现在它与其说是一门科学，不如说是一种艺术。”，与他的博士生Guido Novati和前研究生Hugues Lascombes de Larousilhe一起，提出了一种新的策略，通过利用人工智能技术从DNS中学习最佳湍流闭合模型，并将这些模型应用于LES方法，这一过程已经自动化。具体而言，研究人员开发了新的强化学习算法，并将其与物理知识相结合，对湍流进行建模。研究人员开发的新RL算法利用网格点作为人工智能代理来求解流场，通过观察数千种模拟流体来学习湍流闭合模型。为了进行如此大规模的模拟，有必要利用CSCS超级计算机Piz-Daint。经过训练后，代理可以自由地模拟以前未经训练的流体。该系统通过玩流体来学习湍流模型，当它成功匹配LES和DNS结果时，它就赢了。在LES方法中，该AI仅通过观察已经解决的大流体尺寸来对未解决的流体执行操作。研究人员表示，新方法不仅优于现有的建模方法，而且可以在不考虑网格大小和流体条件的情况下进行推广。这种方法的关键部分是新算法，它可以识别之前的模拟与每种流体状态有关。研究人员表示，在流体力学以外的多个基准问题方面，Remember and Forget Experience Replay算法的性能超过了目前大多数RL算法。该团队认为，他们新开发的方法不仅在汽车制造和天气预报方面具有重要意义。Koumoutsakos说：“对于科学技术中最具挑战性的问题，我们只能解决‘大规模’问题，并对‘小型’问题进行建模。新开发的方法提供了一种强大的方法，可以使用人工智能技术自动对各种规模的问题进行建模

标签：曼

汽车资讯热门资讯