[论文解读] The Potential of Machine Learning to Enhance Computational Fluid Dynamics.

Ricardo Vinuesa, Steven L. Brunton|arXiv (Cornell University)|Oct 5, 2021

Model Reduction and Neural Networks参考文献 132被引用 34

一句话总结

本文探讨了机器学习如何通过物理信息学习改进直接数值模拟、湍流建模和降阶模型，从而加速并提升计算流体动力学的性能。文章强调了开放标准、可复现研究和基准测试的重要性，以充分发挥机器学习在流体模拟中的潜力。

ABSTRACT

Machine learning is rapidly becoming a core technology for scientific computing, with numerous opportunities to advance the field of computational fluid dynamics. This paper highlights some of the areas of highest potential impact, including to accelerate direct numerical simulations, to improve turbulence closure modelling, and to develop enhanced reduced-order models. In each of these areas, it is possible to improve machine learning capabilities by incorporating physics into the process, and in turn, to improve the simulation of fluids to uncover new physical understanding. Despite the promise of machine learning described here, we also note that classical methods are often more efficient for many tasks. We also emphasize that in order to harness the full potential of machine learning to improve computational fluid dynamics, it is essential for the community to continue to establish benchmark systems and best practices for open-source software, data sharing, and reproducible research.

研究动机与目标

• 识别机器学习在计算流体动力学中高影响力应用的领域。
• 探索将物理定律整合到机器学习模型中如何提升模拟的准确性和效率。
• 倡导在机器学习增强的CFD中，全社区范围内采用开源软件、数据共享和可复现研究实践。

提出的方法

• 将物理约束整合到机器学习架构中，以提升流体模拟中的泛化能力和可靠性。
• 利用数据驱动模型，通过从高保真数据中学习复杂流动动力学，加速直接数值模拟。
• 开发物理信息神经网络用于湍流闭合建模，以替代或改进传统经验模型。
• 利用机器学习创建增强的降阶模型，以更低的计算成本捕捉主导流动特征。
• 利用现有高保真模拟数据训练机器学习模型，使其在不同流动状态下具备泛化能力。
• 建立基准系统和最佳实践，以确保机器学习在CFD中可复现并被广泛采用。

实验结果

研究问题

• RQ1 机器学习如何加速流体流动的直接数值模拟？
• RQ2 物理信息机器学习在湍流闭合建模方面有哪些改进方式？
• RQ3 如何利用机器学习增强降阶模型，同时保持物理一致性？
• RQ4 开放数据、开源软件和可复现实践在推进基于机器学习的CFD中发挥什么作用？
• RQ5 与经典方法相比，物理信息机器学习模型在效率和准确性方面表现如何？

主要发现

• 机器学习可通过从数据中学习复杂流动动力学，显著加速直接数值模拟。
• 与纯数据驱动方法相比，物理信息机器学习能显著提升湍流闭合模型的准确性和鲁棒性。
• 基于机器学习的增强型降阶模型在大幅降低计算成本的同时，仍能保持高保真度。
• 在机器学习模型中引入物理约束，可提升流体动力学应用中的泛化能力和可解释性。
• 经典方法在某些任务中仍更高效，凸显了混合或选择性集成机器学习的必要性。
• 建立开放基准、共享数据和可复现工作流，对机器学习在CFD中的长期发展至关重要。