¿Cuál es el papel de la inteligencia artificial (IA) o el aprendizaje automático en CFD?

Algunos partidarios comerciales han estado trabajando en ellos. Por ejemplo, ANSYS ha estado generando herramientas relacionadas con los modelos de optimización y recientemente ha comenzado a combinar esos métodos con Al o ML. Aquí hay un ejemplo de solucionador adjunto como tutorial:

Además, sería bueno obtener información sobre Al y ML:

¿Cuál es la diferencia entre la inteligencia artificial y el aprendizaje automático?

Hay muchos parámetros y ambigüedades a través del diseño de CFD y las rutas de solución. Por lo tanto, la optimización es una herramienta altamente deseada que permite resultados confiables. Método, modelo, mallado, teoría y otros son los ingredientes de un caso confiable de CFD. Por ejemplo, puede generar un modelo de perfil aerodinámico con algunos criterios de acuerdo con los resultados de su CFD que podrían proporcionarle un rediseño optimizado, como se muestra a continuación.

Sin embargo, es un estereotipo, el futuro ha llegado y el progreso está en camino. En los próximos años, nos encontraríamos con códigos totalmente optimizados que le proporcionarían modelos completos. Solo determinaría su modelo inicial con sus expectativas. Luego, las secciones de mallado, cálculo y rediseño serían solicitadas por el programa / código. La IA finalmente prevalecería sobre CFD y los analistas están en peligro inminente de ser barridos, como me dijo un educador de ANSYS.

Me viene a la mente algún trabajo reciente del grupo del profesor Doraiswamy en UMich. Creo que un punto de partida principal para un cruce entre CFD y ML sería la optimización, desde mallas hasta diferentes parámetros. Además, los métodos adjuntos se han utilizado en una variedad de problemas relacionados (por ejemplo, para las configuraciones de matriz óptimas de turbinas de marea / viento) y eso en sí mismo es un ejemplo de IA utilizada para abordar un problema de interacción de estructura de fluido en el sentido de que los parámetros se optimizan iterativamente hacia la convergencia (esto es una simplificación excesiva y los lectores interesados ​​harían bien en leer más). Algunos códigos comerciales han incorporado módulos para refinar mallas y parámetros utilizando ANN y otros métodos en los últimos años.

Uno de los cuellos de botella aquí es que, si bien una gran cantidad de mecánica experimental de fluidos es intensiva en datos, la física real aún es difícil de aproximar utilizando métodos de aprendizaje estadístico, lo que hace que sea muy difícil para ML reemplazar el CFD convencional como lo ha hecho el aprendizaje profundo reemplazado el análisis de imagen tradicional. Si bien los algoritmos actuales pueden aproximar hasta cierto punto las no linealidades complejas, probablemente sean efectivas en un número limitado de casos, ya que el análisis de flujo de fluidos no es un simple problema de reconocimiento de patrones, o al menos mucho más complicado que los que se abordan actualmente. Hasta que avancemos el ML a niveles donde nuestros algoritmos son realmente aproximadores universales, algo que probablemente sucederá pronto, continuará desempeñando un papel de apoyo para CFD y probablemente no mucho más.

Mira esto si puedes:

Aprendizaje profundo en dinámica de fluidos | Revista de Mecánica de Fluidos | Cambridge Core

Nota: Una pregunta urgente es la pregunta del “por qué” que la pregunta del “qué”. Para muchas áreas, los métodos estándar de optimización son adecuados para las aplicaciones actuales, y el uso de algo que se considera en el entendimiento convencional de ML puede ser realmente contraproducente, o una exageración, o ambos.

El aprendizaje automático se puede aplicar a los datos obtenidos de experimentos y simulaciones de alta fidelidad (DNS) para mejorar los modelos de turbulencia existentes o construir otros nuevos para que podamos obtener predicciones más realistas de ellos. Si está interesado en aprender más sobre esto, le sugiero que siga el trabajo realizado por el grupo de investigación del Prof. Karthik Duraisamy en la Universidad de Michigan (Laboratorio de Aviación de Ciencias Computacionales)

Puede ayudar en la inversión programada. Pero en el pasado (1986) provocó un pánico en las bolsas de valores. Este tipo de inversión ha sido regulado desde entonces.