[论文解读] The transformative potential of machine learning for experiments in fluid mechanics

Ricardo Vinuesa, Steven L. Brunton+1 more|arXiv (Cornell University)|Mar 28, 2023

Model Reduction and Neural Networks被引用 6

一句话总结

本文探讨了机器学习（ML）如何通过提升测量保真度、实现智能实验设计与数字孪生，以及支持实时估计与控制，来彻底革新实验流体力学。研究表明，诸如用于降噪的深度学习、用于高效采样的主动学习，以及模型预测控制等ML技术，可显著提高数据质量，降低实验成本，并加速在湍流与复杂流体中的科学发现。

ABSTRACT

The field of machine learning has rapidly advanced the state of the art in many fields of science and engineering, including experimental fluid dynamics, which is one of the original big-data disciplines. This perspective will highlight several aspects of experimental fluid mechanics that stand to benefit from progress advances in machine learning, including: 1) augmenting the fidelity and quality of measurement techniques, 2) improving experimental design and surrogate digital-twin models and 3) enabling real-time estimation and control. In each case, we discuss recent success stories and ongoing challenges, along with caveats and limitations, and outline the potential for new avenues of ML-augmented and ML-enabled experimental fluid mechanics.

研究动机与目标

• 识别并分析机器学习在实验流体力学中变革潜力的所在。
• 通过数据驱动的ML技术，解决由传感器噪声、偏差和分辨率限制引起的测量保真度挑战。
• 通过主动学习和代理建模（包括带不确定性量化的数字孪生）改进实验设计与建模。
• 利用ML驱动的预测与自适应策略，实现实验流体系统中的实时估计与控制。
• 概述将ML整合到实验流体力学中的路径，以加速科学发现与工业创新。

提出的方法

• 利用深度学习模型，特别是卷积神经网络（CNN），通过降噪和超分辨率重建提升基于图像的流场测量质量。
• 应用数据驱动的校正方法，用从实验数据中学习到的转移函数替代经验性传感器校正，提升测量精度。
• 采用主动学习策略，在实验活动中高效采样高维参数空间，以最小化数据采集成本，同时保持模型准确性。
• 开发融合物理信息的机器学习混合模型，构建与真实实验数据校准的数字孪生，并包含不确定性量化。
• 实施基于ML的模型预测控制（MPC）与强化学习，实现实时流场控制，尤其适用于高维传感器与执行器阵列的系统。
• 集成基于云的平台，实现对实验流体动力学设施的远程协作访问，提升数据共享与可重复性。

Figure 1: Summary of ML impact on experimental fluid mechanics. Classification of all the experimental applications in terms of their main category, namely (green) measurement techniques, (blue) experimental design and modeling, as well as (red) estimation and control. Inside each region we show in

实验结果

研究问题

• RQ1 机器学习在何种方式下可提升实验流场测量的保真度与分辨率，尤其是在存在传感器噪声和有限空间分辨率的情况下？
• RQ2 主动学习与代理建模在何种程度上可降低流体力学实验活动的成本与时间？
• RQ3 如何利用基于混合物理-ML模型构建的数字孪生，提升复杂流场系统中的实验设计与不确定性量化？
• RQ4 实时机器学习在流场估计与控制中扮演何种角色，特别是在具有强非线性和时间延迟的系统中？
• RQ5 ML增强的实验流体力学如何加速航空、能源与生物医学工程等高影响力领域中的科学发现？

主要发现

• 如CNN等机器学习技术可通过实现超分辨率与降噪，显著提升基于图像的流场测量质量，使数据质量超越传统后处理方法。
• 从实验数据中学习到的数据驱动校正方法可替代经验性传感器校正，降低偏差，提升速度与压力测量的准确性。
• 主动学习策略在某些情况下已证明可将所需实验数量减少高达50%，实现对复杂参数空间的高效探索。
• 利用机器学习构建的代理模型可创建与实验数据校准并包含不确定性量化的数字孪生，实现稳健的设计与预测。
• 基于ML的模型预测控制已在实时流场控制中取得成功，尤其适用于高维传感器与执行器配置的系统。
• 简单的优化技术（如单纯形优化）已使实验规模涡轮机的能效提升超过50%，表明即使非ML方法在结合实验洞察时，也能带来显著收益。

Figure 2: Process of PIV analysis based on ML. a , Representation of the autoencoder (AE) architecture based on convolutional neural networks (CNNs) to predict the flow field based on the input image containing the particle distribution. Yellow denotes convolution and max pooling, which reduce the s