Maschinelles Lernen für bessere Strömungssimulationen

Computersimulation der komplexen Struktur einer Strömungsturbulenz. (Credits: University of Illinois at Urbana-Champaign)
Computersimulation der komplexen Struktur einer Strömungsturbulenz. (Credits: University of Illinois at Urbana-Champaign)

Deep Learning oder maschinelles Lernen reproduziert Daten, um Problemszenarien zu modellieren und Lösungen anzubieten. Manche Probleme in der Physik sind jedoch unbekannt oder können mathematisch nicht detailliert auf einem Computer nachgebildet werden. Forscher der University of Illinois in Urbana-Champaign entwickelten eine neue Methode, welche die Physik in den Prozess des maschinellen Lernens bringt, um bessere Vorhersagen zu machen. Die Wissenschaftler nutzten Turbulenzen, um ihre Methode zu testen.

“Wir wissen nicht, wie man all die Turbulenzen auf sinnvolle Art und Weise mathematisch niederschreibt. Es gibt Unbekannte, die auf dem Computer nicht nachgebildet werden können, also verwendeten wir ein Modell des maschinellen Lernens, um die Unbekannten herauszufinden. Als Teil des Lernprozesses trainierten wir es zeitgleich mit dem, was es sieht und mit den physikalischen Gleichungen. Das ist es, was es besonders macht, und es funktioniert”, sagte der Willett Professor und Vorsitzende des Department of Aerospace Engineering, Jonathan Freund. Er sagte, das Bedürfnis für diese neue Methode sei allgegenwärtig.

“Es ist ein altes Problem: Man hatte lange Zeit Schwierigkeiten mit der Simulation von Turbulenzen und mit der Modellierung ihrer nicht repräsentierten Bestandteile”, sagte Freund. Dann hatten er und sein Kollege Justin Sirignano eine Idee. “Wir erkannten, dass es nicht funktionierte, wenn man das maschinelle Lernen ohne Berücksichtigung der bekannten physikalischen Gleichungen versucht. Wir kombinierten sie, und es funktionierte.”

Freund sagte, die Methode werde Ingenieuren bei der Entwicklung eines Flugzeugs oder Raumfahrzeugs helfen vorherzusagen, ob ein Design mit Turbulenzen für ihre Zwecke funktionieren würde oder nicht. Sie werden in der Lage sein, Veränderungen vorzunehmen, und die Simulation erneut laufen zu lassen, um eine Vorhersage der Wärmeübertragung zu bekommen und vorherzusagen, ob ihr Design besser oder schlechter ist.

“Jeder, der Simulationen von physikalischen Phänomenen durchführen möchte, kann diese neue Methode nutzen. Man würde ihren Ansatz nehmen und Daten in seine eigene Software laden. Es ist eine Methode, die andere unbekannte physikalische Prozesse zulassen würde. Und die beobachteten Ergebnisse dieser unbekannten Physik könnten für das Training geladen werden”, sagte Freund.

Die Studie wurde mit der Supercomputereinrichtung Blue Waters am National Center for Supercomputing an der University of Illinois durchgeführt, was die Simulation schneller und dadurch kosteneffizienter machte. Der nächste Schritt besteht in der Anwendung dieser Methode auf realistischere Strömungsturbulenzen.

“Die Strömungsturbulenzen, die wir zur Demonstration der Methode nutzten, sind eine sehr einfache Konfiguration”, sagte Freund. “Reale Strömungen sind komplexer. Ich möchte diese Methode auch für Turbulenzen mit Flammen verwenden – ein zusätzlicher Bereich der Physik. Das ist etwas, das wir im neuen Center for Exascale-enabled Scramjet Design am NCSA zu entwickeln planen.”

Freund sagte, diese Arbeit befände sich noch im Forschungsstadium, aber könne zukünftig potenzielle Auswirkungen auf die Industrie haben. “Universitäten waren bei den ersten Turbulenzsimulationen sehr aktiv, dann griff die Industrie sie auf. Die ersten großen universitätsbasierten Wirbelsimulationen in den 80er und 90er Jahren sahen unglaublich teuer aus. Aber jetzt führen Unternehmen große Wirbelsimulationen durch. Wir gehen davon aus, dass diese Vorhersagefähigkeit einen ähnlichen Weg einschlagen wird. Ich kann einen zukünftigen Tag mit besseren Techniken und schnelleren Computern sehen, an dem Unternehmen beginnen werden, sie zu nutzen.”

Die Studie mit dem Titel “A deep learning PDE augmentation method with application to large-eddy simulation” wurde von Justin Sirignano, Jonathan F. MacArt und Jonathan B. Freund verfasst und im Journal of Computational Physics veröffentlicht.

Quelle

(THK)

Werbung

Ersten Kommentar schreiben

Antworten

Deine E-Mail-Adresse wird nicht veröffentlicht.


*