[论文解读] Challenges and Opportunities for Machine Learning in Fluid Mechanics

M. A. Mendez, Joachim Dominique+4 more|arXiv (Cornell University)|Jan 1, 2022

Model Reduction and Neural Networks被引用 4

一句话总结

本文探讨了机器学习（ML）与经典流体力学的融合，将湍流建模、气动噪声预测、降阶建模以及物理信息神经网络中的关键挑战与机遇进行框架化。研究表明，通过监督学习与强化学习等ML技术，可在流体力学中显著提升预测精度与效率，同时通过嵌入物理约束来增强模型的泛化能力与可解释性。

ABSTRACT

Big data and machine learning are driving comprehensive economic and social transformations and are rapidly re-shaping the toolbox and the methodologies of applied scientists. Machine learning tools are designed to learn functions from data with little to no need of prior knowledge. As continuous developments in experimental and numerical methods improve our ability to collect high-quality data, machine learning tools become increasingly viable and promising also in disciplines rooted in physical principles. These notes explore how machine learning can be integrated and combined with more classic methods in fluid dynamics. After a brief review of the machine learning landscape, we show how many problems in fluid mechanics can be framed as machine learning problems and we explore challenges and opportunities. We consider several relevant applications: aeroacoustic noise prediction, turbulence modelling, reduced-order modelling and forecasting, meshless integration of (partial) differential equations, super-resolution and flow control. While this list is by no means exhaustive, the presentation will provide enough concrete examples to offer perspectives on how machine learning might impact the way we do research and learn from data.

研究动机与目标

• 将流体力学问题识别并转化为机器学习任务。
• 分析机器学习与传统基于物理的方法在流体力学中的融合。
• 评估机器学习模型在预测复杂流体行为（如湍流与流动分离）方面的性能与局限性。
• 探索如何将物理约束嵌入机器学习模型以提升泛化能力与可靠性。
• 为实际流体力学挑战（包括控制与预测）提供机器学习应用路线图。

提出的方法

• 利用模拟或实验获得的带标签数据，将流体力学问题转化为监督学习任务。
• 采用人工神经网络与径向基函数作为回归与分类的假设集。
• 使用物理信息神经网络（PINNs）将偏微分方程直接嵌入损失函数。
• 利用强化学习实现主动流动控制，训练智能体通过试错优化控制策略。
• 引入无网格方法，利用机器学习从图像基流速测量数据重建压力场。
• 应用主成分分析（POD）与改进的POD（mPOD）等降维技术，实现降阶建模。

实验结果

研究问题

• RQ1 如何有效结合机器学习与流体力学中的第一性原理模型？
• RQ2 将机器学习应用于湍流与非定常流时面临的关键挑战是什么？
• RQ3 如何将物理定律嵌入神经网络架构以提升模型鲁棒性？
• RQ4 机器学习在气动噪声与流动控制应用中如何提升预测精度？
• RQ5 不同机器学习架构在流体力学任务中的泛化能力与数据效率方面如何比较？

主要发现

• 机器学习模型，尤其是物理信息神经网络，可在数据极少的情况下准确求解与反演流体力学中的偏微分方程。
• 使用神经网络的监督学习在从输入参数预测涡粘性与流动分离方面表现出高精度。
• 强化学习可发现有效的主动流动控制策略，在复杂流场中优于传统控制方法。
• 利用机器学习实现无网格PDE集成，可在无需结构化网格的情况下，从PIV数据中准确重建压力场。
• 基于机器学习代理模型的降阶建模显著降低了计算成本，同时在参数化流场模拟中保持了高精度。
• 将物理约束融入机器学习模型可增强泛化能力并减少数据需求，尤其在低数据场景下表现显著。