Машинное обучение в механике жидкости

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.