在流體力學中，湍流模擬對於科學家理解與預測空氣和液體的複雜運動至關重要，例如飛機周圍的氣流、城市中的風或河流中的水流。然而，這些運算模型會產生大量「噪音」資料，使得提取有用資訊與高效重複利用變得困難。
為了解決這個長期存在的挑戰，巴塞隆納超級運算中心（BSC-CNS）的研究人員開發了一種基於人工智慧的方法，能夠過濾掉這些噪音，只保留最相關的流動模式。這種方法透過以更簡單且穩定的方式表示複雜湍流，使分析與預測流動行為所需時間大幅縮短，並顯著降低運算成本。
該研究由 BSC 大型運算流體動力學小組研究員 Rakesh Halder 領導，與小組負責人 Oriol Lehmkuhl 及前 BSC 研究員 Benet Eiximeno 共同合作。研究刊載於《流體物理學》並被選為編輯推薦。
高保真流體模擬廣泛應用於研究湍流，涵蓋從空氣動力學與運輸到工業設計的各個領域，協助預測風對建築與橋樑的影響，並最佳化渦輪機與其他能源系統的設計。然而，小規模湍流結構的混沌特性，使得這些模擬在運算上極具挑戰性，限制了它們在即時分析或設計最佳化過程中的應用。
為了克服這些限制，研究人員開發了一種基於人工智慧的降維模型。該方法結合變分自編碼器（一種深度學習技術）與 Koopman 理論，用以學習湍流的簡化表示。這讓模型能夠專注於大尺度流動模式，同時自動過濾掉難以在長時間範圍內預測的小尺度波動。
該方法已在不同條件下，對類似車輛幾何形狀的湍流氣流模擬進行測試。結果顯示，基於 AI 的模型保留了關鍵的大尺度流動特徵，並能隨時間保持穩定，成為快速且可靠流動分析的有前景工具。
研究人員表示，未來的工作將聚焦於把此方法擴展至更複雜的幾何形狀與三維流動，進一步拓展其在科學研究與工業應用中的潛力。
（首圖來源：shutterstock）
科技新報粉絲團
加入好友
訂閱免費電子報
