流体力学+机器学习
·
CFD的两大问题，其一是数值模拟的计算量大，其二是流体运动的情况很复杂。
对于第一个问题（数值模拟的计算量大，求解耗时太长），机器学习是可以解决的。主要有两种求解思路，一种是基于时间序列的预测，另一种是基于输入工况条件直接进行特定时刻或者稳态情况下的特征预测。
第一种求解思路比较拉垮，亲测预测误差会随着时间的递增而累加，最后模型崩溃，持续时间步在几十步至几百步不等（取决于工况类型和初始条件、边界条件）；
第二种求解思路所产生的结果比较稳定。这个思路下，最大的麻烦在于如何获取高质量的训练数据集，如果训练集能搞定，那么机器学习算法的求解效率能够完虐传统数值模拟算法。（根据我的测试结果，前者的平均求解响应时间为500毫秒以内，最快的能达到10毫秒以内）
而对于第二个问题（流体的运动情况很复杂，难以准确预测），机器学习其实很难解决，除非你的训练集来源于高质量的实测数据，但是这样的数据获取成本相当高而且不排除随机误差的噪声干扰。数值模拟在部分情况下可以用于生成比较稳定的训练数据集，但是如果遇到比较那啥的老师来攻击你训练集的准确性，那就比较麻烦了，毕竟很多数值模拟的结果本身就是自欺欺人的（误）。
可以先拿数值模拟跑几个benchmark和实验结果或者经典论文结果做对比，以证明数值模型和计算结果可靠，然后再光明正大的拿这个数据集去做训练，这样有96.85%的概率能堵住那些审稿人的嘴。
DAMO开发者矩阵，由阿里巴巴达摩院和中国互联网协会联合发起，致力于探讨最前沿的技术趋势与应用成果，搭建高质量的交流与分享平台，推动技术创新与产业应用链接，围绕“人工智能与新型计算”构建开放共享的开发者生态。
更多推荐
0
0- 0
已为社区贡献1条内容
所有评论(0)