湍流模擬在流體力學(xué)中至關(guān)重要，因為它們幫助科學(xué)家理解和預(yù)測空氣與液體的復(fù)雜運動，例如飛機周圍的氣流、城市中的風(fēng)，或河流中的水。然而，這些計算模型會產(chǎn)生大量"噪聲"數(shù)據(jù)，使得從中提取有用信息并高效復(fù)用變得困難。

為應(yīng)對這一長期挑戰(zhàn)，西班牙的巴塞羅那超算中心——國家超級計算中心（BSC-CNS）的研究人員開發(fā)了一種基于人工智能的方法，能夠過濾掉這些噪聲，僅保留最相關(guān)的流場模式。通過以更簡單、更穩(wěn)定的方式表示復(fù)雜湍流，該方法能夠在更短時間內(nèi)、以顯著更低的計算成本分析和預(yù)測流場行為。

這項研究由BSC大規(guī)模計算流體動力學(xué)小組的研究員Rakesh Halder領(lǐng)導(dǎo)，同組負責(zé)人Oriol Lehmkuhl和前BSC研究員Benet Eiximeno參與其中。該文章已被《流體物理學(xué)》選為編輯精選，這是期刊每期中編輯認為特別值得注意的論文所獲得的榮譽。

高保真流體模擬廣泛應(yīng)用于研究從空氣動力學(xué)和交通運輸?shù)焦I(yè)設(shè)計中的湍流，幫助預(yù)測風(fēng)對建筑物和橋梁的影響，并優(yōu)化渦輪機和其他能源系統(tǒng)的設(shè)計。然而，小尺度湍流結(jié)構(gòu)的混沌性質(zhì)使這些模擬對計算資源的需求極高，限制了它們在實時分析或設(shè)計優(yōu)化過程中的應(yīng)用。

為克服這些限制，研究人員開發(fā)了一種基于人工智能的降階模型。該方法結(jié)合了變分自編碼器——一種深度學(xué)習(xí)技術(shù)——與Koopman理論，學(xué)習(xí)湍流的簡化表示。這使得模型能夠?qū)Ｗ⒂诖蟪叨攘鲌瞿Ｊ�，同時自動過濾掉在長時間跨度上難以預(yù)測的小尺度波動。

"目標(biāo)不是預(yù)測湍流的所有尺度，而是準確捕獲對工程應(yīng)用最相關(guān)的優(yōu)勢流場行為。這使得構(gòu)建更易處理的代理模型成為可能，在降低計算成本的同時仍提供可靠的預(yù)測。"Rakesh Halder表示。

該方法在不同條件下對類幾何體周圍湍流氣流的模擬進行了測試。結(jié)果表明，基于AI的模型保留了關(guān)鍵的大尺度流場特征，并在時間上保持穩(wěn)定，使其成為快速、可靠流場分析的有前景工具。

據(jù)研究人員介紹，未來工作將重點是將該方法擴展到更復(fù)雜的幾何形狀和三維流場，進一步拓寬其在科學(xué)研究和工業(yè)環(huán)境中的潛在應(yīng)用。