BSC研究展示AI如何改進復雜流體模擬

湍流模擬在流體力學中至關重要，因為它們幫助科學家理解和預測空氣與液體的復雜運動，例如飛機周圍的氣流、城市中的風，或河流中的水。然而，這些計算模型會產生大量"噪聲"數據，使得從中提取有用信息并高效復用變得困難。

為應對這一長期挑戰，西班牙的巴塞羅那超算中心——國家超級計算中心（BSC-CNS）的研究人員開發了一種基于人工智能的方法，能夠過濾掉這些噪聲，僅保留最相關的流場模式。通過以更簡單、更穩定的方式表示復雜湍流，該方法能夠在更短時間內、以顯著更低的計算成本分析和預測流場行為。

這項研究由BSC大規模計算流體動力學小組的研究員Rakesh Halder領導，同組負責人Oriol Lehmkuhl和前BSC研究員Benet Eiximeno參與其中。該文章已被《流體物理學》選為編輯精選，這是期刊每期中編輯認為特別值得注意的論文所獲得的榮譽。

高保真流體模擬廣泛應用于研究從空氣動力學和交通運輸到工業設計中的湍流，幫助預測風對建筑物和橋梁的影響，并優化渦輪機和其他能源系統的設計。然而，小尺度湍流結構的混沌性質使這些模擬對計算資源的需求極高，限制了它們在實時分析或設計優化過程中的應用。

為克服這些限制，研究人員開發了一種基于人工智能的降階模型。該方法結合了變分自編碼器——一種深度學習技術——與Koopman理論，學習湍流的簡化表示。這使得模型能夠專注于大尺度流場模式，同時自動過濾掉在長時間跨度上難以預測的小尺度波動。

"目標不是預測湍流的所有尺度，而是準確捕獲對工程應用最相關的優勢流場行為。這使得構建更易處理的代理模型成為可能，在降低計算成本的同時仍提供可靠的預測。"Rakesh Halder表示。

該方法在不同條件下對類幾何體周圍湍流氣流的模擬進行了測試。結果表明，基于AI的模型保留了關鍵的大尺度流場特征，并在時間上保持穩定，使其成為快速、可靠流場分析的有前景工具。

據研究人員介紹，未來工作將重點是將該方法擴展到更復雜的幾何形狀和三維流場，進一步拓寬其在科學研究和工業環境中的潛在應用。