Opis projektu
Uczenie maszynowe uwzględniające fizykę mechaniki płynów
Modelowanie mechaniki płynów w celu przewidywania ewolucji przepływu jest możliwe zarówno na podstawie analizy zasad fizycznych, jak i dzięki podejściu empirycznemu. Zasady fizyczne (na przykład zasady zachowania) mają charakter ekstrapolacji, to znaczy pozwalają przewidywać zachodzenie pewnych zjawisk, których jeszcze nie zaobserwowano. Z kolei modelowanie empiryczne pozwala uzyskać funkcje korelacji dla istniejących zestawów danych. Sztuczna inteligencja i uczenie maszynowe to narzędzia, które doskonale radzą sobie w modelowaniu empirycznym. Finansowany ze środków UE projekt PhyCo ma umożliwić połączenie opisu za pomocą zasad fizycznych z modelowaniem empirycznym i stworzenie w ten sposób zunifikowanego podejścia – metod bazujących na danych i uwzględniających ograniczenia fizyczne stosowanych do optymalizacji typu „mutliphysics”. Rozwiązania uzyskiwane na drodze uczenia maszynowego nie będą łamać ograniczeń fizycznych. Ramy obliczeniowe zostaną wykorzystane do rekonstrukcji obrazów przepływu o wysokiej rozdzielczości z danych o niskiej rozdzielczości, minimalizacji emisji z silników lotniczych dzięki wykorzystaniu przepływów opartych na reakcjach wodorowych i maksymalizacji uzyskiwania energii bezemisyjnej z drgań wywoływanych na granicy struktura stała–ciecz.
Cel
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.
Dziedzina nauki
- 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
Słowa kluczowe
- 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
Program(-y)
Temat(-y)
System finansowania
ERC-STG - Starting GrantInstytucja przyjmująca
10129 Torino
Włochy