深度学习工具已经彻底改变了飞机、汽车和船舶的空气动力学工程，使这些车辆更省油，结构更精致。一种新的计算模型通过依赖神经网络架构生成准确的预测，同时节省时间、成本和能源，进一步推动了再现气流的科学。

　　KTH皇家理工学院的研究人员，以及美国和西班牙的合作者，在《自然通讯》上发表了这个模型，报告说它在预测空气动力阻力方面提供了高度的准确性，而且计算成本大大降低。

　　设计简单，使用从更复杂的模拟中获得的数据构建，该框架被称为降阶模型(ROM)。顾名思义，它们保留了更复杂模型的最基本特征，同时省略了不太重要的细节。

　　“关键是降低计算复杂性，使模拟或分析更有效，”首席研究员、皇家理工学院流体力学副教授里卡多·维努萨说。“设计工程需要的是以低计算成本运行许多不同场景的能力。

　　“使用这个模型，我们可以对许多情况做出相当准确的预测。”

　　Vinuesa说，神经网络的使用使这个模型超越了工程师们通常用来预测气流混乱的模型

　　流体中的标准降阶建模依赖于线性计算——用最简单的术语来说——通过添加和缩放值来产生预测。

　　相比之下，神经网络松散地建立在大脑功能的基础上。

　　“非常松散，”维努萨警告说。“这并不意味着模型可以独立思考，就像许多人认为的那样。”但是它们能做的——不像线性模型——是学习和映射输入和输出数据之间复杂的关系。当试图预测和模拟飞机机翼或火车发动机表面附近的空气摩擦这一众所周知的复杂任务时，这被认为是一种有价值的能力。

　　“我们可以更好地预测飞机机翼周围的气流如何随时间变化。如果我们能更好地预测这一点，我们就能控制气流以减少阻力，还能更好地改进机翼的气动设计。”

　　Vinuesa说，新模型可以在流体预测中捕获大部分原始物理，90%或更多，处理复杂性相对较低。相比之下，对于最先进的线性模型，如固有正交分解(POD)和动态模式分解(DMD)，达到这种精度水平的操作要复杂得多。

　　他说:“线性模型基本上以一种非常简单的方式表示它们的预测，通过可以简化为直线和平面的关系。”但现实要复杂得多。这就是为什么不是基于直线，而是基于各种其他形状的模型，使我们能够得到更好的预测。”

　　考虑到空气动力阻力是全球排放的一个重要因素，这一点很重要。

　　如果用于气动控制，这项技术可以减少20%、30%甚至50%的阻力。”“这可能会对环境产生重大影响，并有助于确定我们未来的世界变暖情景。”

　　“环境和经济后果是巨大的。”

　　更多信息:Alberto Solera-Rico等人，β-变分自编码器和变压器用于流体流动的降阶建模，Nature Communications(2024)。DOI: 10.1038/s41467-024-45578-4由KTH皇家理工学院提供引文:深度学习工具可能有助于减少空气阻力引起的排放(2024年，3月5日)检索自2024年3月5日https://techxplore.com/news/2024-03-deep-tool-emissions-air-resistance.html本文档受版权保护。除为私人学习或研究目的而进行的任何公平交易外，未经书面许可，不得转载任何部分。内容仅供参考之用。