Машинное обучение в механике жидкости

Machine Learning for Fluid Mechanics
Steven L. Brunton, Steven L. Brunton, Bernd R. Noack, Petros Koumoutsakos, Petros Koumoutsakos, Bernd R. Noack
2019-09-12

управление течениемоптимизация течениямоделирование потоковмеханика жидкостимашинное обучение
Область механики жидкости быстро развивается благодаря беспрецедентным объемам данных, получаемых в экспериментах, при натурных измерениях и в крупномасштабных моделирующих расчетах на различных пространственно-временных масштабах. Машинное обучение (ML) предлагает широкий спектр методов извлечения из данных информации, которую можно преобразовать в знания о лежащих в основе данных закономерностях механики жидкости. Кроме того, алгоритмы ML позволяют расширять предметные знания и автоматизировать задачи, связанные с управлением течением и оптимизацией. В статье представлен обзор истории развития, современных достижений и перспективных направлений применения ML в механике жидкости. Рассматриваются фундаментальные методологии ML и их использование для понимания, моделирования, оптимизации и управления течениями жидкостей. Сильные стороны и ограничения этих методов анализируются с точки зрения научного исследования, в котором данные рассматриваются как неотъемлемая часть моделирования, экспериментов и расчетов. ML предоставляет мощную платформу обработки информации, способную расширить и, возможно, даже преобразовать современные направления исследований в области механики жидкости и промышленные приложения.
1
Интеграция машинного обучения с предметными знаниями может усилить существующие методы механики жидкости и создать новые подходы для научных и промышленных приложений.
2
Методы машинного обучения обладают значительным потенциалом, однако их преимущества и ограничения необходимо оценивать в контексте научного моделирования, экспериментов и симуляций.
3
Методы машинного обучения применимы для понимания течений, построения моделей пониженного порядка, оптимизации, управления течениями и автоматизации задач механики жидкости.
4
Машинное обучение может извлекать механистические знания из беспрецедентных объёмов экспериментальных данных, полевых измерений и симуляций, охватывающих разные пространственно-временные масштабы.
5
Статья рассматривает фундаментальные методы машинного обучения, историческое развитие, современные применения и перспективные направления в механике жидкости.

Течения и системы в механике жидкостей, изучаемые на основе данных экспериментов, полевых измерений и численных симуляций

понимание, моделирование, оптимизация и управление течениями жидкостей с использованием машинного обучения

Publication Details
Publication Date
2019-09-12
Journal
Publisher
ISSN
Cited by
3088
Access Type
Author Information
Authors
Steven L. Brunton
Steven L. Brunton
Bernd R. Noack
Petros Koumoutsakos
Petros Koumoutsakos
Bernd R. Noack
Explore further
Open the scid.ai AI chat with a ready-made request: it will find papers on a similar topic and help build a literature review.
Find similar papers in the chat →
Make a presentation
100%