Projektbeschreibung
Physikbewusstes maschinelles Lernen für Erkenntnisse über die Strömungsmechanik
Die Fähigkeit von Modellen der Strömungsmechanik, die Entwicklungen eines Stroms vorauszusagen, beruht sowohl auf Prinzipien der Physik als auch auf empirischen Ansätzen. Auf der einen Seite sind physikalische Grundsätze (wie die Energieerhaltungssätze) extrapolativ – sie können Vorhersagen über Phänomene treffen, die noch nicht beobachtet wurden. Auf der anderen Seite stellt eine empirische Modellierung Korrelationsfunktionen innerhalb der Daten bereit. Künstliche Intelligenz und maschinelles Lernen eignen sich hervorragend für empirische Modellierung. Das EU-finanzierte Projekt PhyCo wird Prinzipien der Physik und empirische Modellierungsverfahren in einem einheitlichen Ansatz vereinen: den Gesetzen der Physik gehorchende, datengetriebene Verfahren für eine Multiphysik-Optimierung. Die Lösungen auf der Grundlage maschinellen Lernens werden keine Einschränkungen der Physik verletzen. Das rechnergestützte Rahmenwerk wird angewandt, um hochauflösende Strömungsbilder aus Daten mit geringer Auflösung zu gewinnen; die Emissionen von Flugzeugmotoren dank reagierenden Strömen auf Wasserstoffbasis zu minimieren und die emissionslose Energieernte aus Oszillationen von Fluidstrukturen zu maximieren.
Ziel
About a hundred trillion bytes of data has been created in the world while reading this sentence. Central to big data is machine learning, which is an automated way of transforming information into empirical knowledge. Machine learning techniques have been applied to some fluid mechanics problems with success, but there are still three big open questions: Do machine learning algorithms scale to engineering configurations? (Are they robust?); Can we gain physical insight into the solutions? (Are they interpretable?); Can we extrapolate knowledge to other configurations, such as multi-physics problems? (Are they generalizable?).
Fluid mechanics modelling has been historically enabled by both empirical approaches and physical principles. Machine learning models may not be interpretable and robust, but they excel at empirical modelling. On the other hand, physical principles are governed by equations that do not adaptively change, but they are interpretable and robust. This project will combine physical principles and empirical modelling into a unified approach: physics-constrained adaptive learning for multi-physics optimization of unsteady, unpredictable and uncertain flows. The learned solutions will not violate physical constraints.
The technical objectives are to combine physical principles with machine learning; design adaptive multi-physics models by on-the-fly data assimilation; optimize turbulent flows; quantify the uncertainty; and develop a code that wraps around existing simulation software and experiments. This framework will be applied to maximize energy harvesting from aeroelastic systems to produce clean energy; optimize stable aeroengines with low emissions; and reconstruct high-resolution flow fields from low-resolution experimental measurements. We will rigorously interlace chaos theory, Bayesian inference and artificial intelligence. This project will benefit industries that work with multi-physics flows and artificial intelligence companies.
Wissenschaftliches Gebiet
- natural sciencescomputer and information sciencesdata sciencebig data
- natural sciencesmathematicsapplied mathematicsstatistics and probabilitybayesian statistics
- natural sciencescomputer and information sciencescomputational sciencemultiphysics
- natural sciencescomputer and information sciencesartificial intelligencemachine learning
- natural sciencescomputer and information sciencessoftwaresoftware applicationssimulation software
Schlüsselbegriffe
- adjoint equations in stability
- least square shadowing
- computational fluid dynamics
- reacting flows
- machine learning in fluid mechanics
- virtualization of flows
- gas turbines
- reduced-order models of fluids
- thermoacoustic instabilities
- aeroelastic instabilities
- combustion instabilities
- acoustic-flow interaction
- proper orthogonal decomposition
- dynamic mode decomposition
- dimensionality reduction
- flow state estimator
- uncertainty quantification in fluid dynamics
- turbule
Programm/Programme
Thema/Themen
Finanzierungsplan
ERC-STG - Starting GrantGastgebende Einrichtung
10129 Torino
Italien