该文章主要讲述了机器学习在流体力学中的应用历史、现状和未来机会。通过机器学习的方法,可以从大量数据中提取有关流体力学的知识,进而优化流体力学模型,并自动化流体流动控制和优化相关任务。
May, 2019
机器学习在科学计算中已经成为核心技术,能够用于加速直接数值模拟,提高湍流封闭建模,并发展优化的降阶模型,在计算流体力学等领域有着广泛的应用和潜在影响,但也需要考虑一些潜在限制和问题。
Oct, 2021
采用端到端深度学习方法,提高了计算流体动力学中建模二维湍流流动的逼近精度,在直接数值模拟和大涡模拟中实现 8-10 倍于基线求解器的空间精度,具有 40-80 倍的计算速度加速,并保持稳定性,可适用于不同强度和涡量值的流量。
Jan, 2021
该论文综述了机器学习在湍流模型中的应用,尤其讨论了在 RANS 和 LES 建模中应用监督学习以表示未封闭项、模型差异和亚滤波尺度的不同方法。作者强调训练过程对 ML 增强与基本物理模型的一致性的影响,并详细介绍了促进模型一致性训练和避免需要直接数值模拟数据完整场信息的技术。
Sep, 2020
科学界利用机器学习技术进行科学探索的能力正在初生阶段,然而,机器学习的原理应用正在为基础科学发现开辟新的途径,尤其在处理观测数据的复杂性方面。
May, 2024
通过使用 Gledzer-Ohkitani-Yamada (GOY) shell 模型的强烈简化表示,我们构建了一个小尺度湍流模型进行研究,重点探讨了机器学习与物理学的相结合,以及在将机器学习与微分方程相结合时存在的问题。
Jan, 2022
本文探讨了机器学习与传统基于物理模型的建模方法相结合解决复杂科学和工程问题的创新方法,总结了这些方法的应用领域,并描述了用于构建基于物理引导的机器学习模型和混合物理 - 机器学习框架的分类方法,提出了现有技术的分类方法,揭示了知识漏洞和不同学科间方法的潜在交叉点,可用作未来研究的思路。
Mar, 2020
通过运用数值分析理论建立的收敛性测试方法,验证机器学习模型是否准确地学习了某个系统本质的连续动力学过程,成功的模型能够更好地插值和外推,为科学预测提供更精确的数学手段。
Feb, 2022
本研究提出了一种基于迁移学习的方法,通过使用大量来源于基于物理的流程模型的计算廉价的数据进行 ML 模型训练,然后在少量代价昂贵的实验数据上进行微调,从而降低了新工艺过程物理模型开发的高成本,并且该方法在 Fused Filament Fabrication 的印刷线宽建模中表现良好,减少了模型开发时间、实验成本、计算成本和预测误差。
Apr, 2023
本篇综述研究物理增强的机器学习 (PEML) - 也被称为科学机器学习 - 特别关注开发用于解决动力系统挑战的 PEML 策略,讨论了 PEML 方法的三个广泛分类 (物理指导、物理编码和物理信息) 以及在涉及复杂动力系统的工程应用中开发 PEML 策略用于指导高风险决策的优势和挑战。