KTH皇家理工学院发明新深度学习工具 可有助于减少空气阻力造成的排放

盖世汽车讯 深度学习工具彻底改变了飞机、汽车和船舶的空气动力学工程，使这些出行工具能够更加节能且结构更加精致。据外媒报道，瑞典皇家理工学院（KTH Royal Institute of Technology）发明新的计算模型，可依靠神经网络架构生成准确的空气动力阻力预测，同时节省时间、成本和能源，进一步推动了气流再现科学的发展。相关研究已发表于期刊《Nature Communications》。

图片来源：期刊《Nature Communications》

该框架设计简单，并使用从更复杂的仿真中获得的数据构建，即所谓的降阶模型（ROM）。顾名思义，ROM保留了更复杂模型的最基本特征，同时省略了不太重要的细节。

KTH皇家理工学院首席研究员兼流体力学副教授Ricardo Vinuesa表示：“重点是降低计算复杂性并使仿真拟或分析更加高效。设计工程需要能够以较低的计算成本运行许多不同的场景。使用这个模型，我们可以对许多场景进行相当准确的预测。”

Vinuesa表示，神经网络的使用使该模型远超工程师通常用来对混乱气流进行预测的模型。流体学中的标准降阶建模依赖于线性计算，用最简单的术语来说，就是通过添加和缩放值来生成预测。相比之下，神经网络松散地基于大脑的功能。

Vinuesa警告说：“非常宽松，但这并不意味着该模型可以像许多人认为的那样进行自我思考。与线性模型不同，它们可以做的是学习并映射输入和输出数据之间的复杂关系。我们可以更好地预测飞机机翼周围的气流如何随时间变化。如果能更好地预测这一点，我们就可以控制气流以减少阻力，并可以更好地改进机翼的空气动力学设计。”

Vinuesa表示，新模型可以捕获流动预测中的大部分原始物理现象，达到90%或更多，且处理复杂性相对较低。相比之下，对于最先进的线性模型（例如真正交分解（POD）和动态模式分解（DMD））来说，达到这种精度水平的操作要复杂得多。

“通过简化为直线和平面的关系，线性模型基本上能够以一种非常简单的方式表示预测，”Vinuesa表示：“但现实要复杂得多。这就是为什么拥有不基于直线，而是基于各种其他形状的模型，使我们能够获得更好的预测。”

考虑到空气动力阻力是全球排放的重要因素，这一点很重要。“如果用于空气动力学控制，这项技术可以减少20%、30%甚至50%的阻力，”Vinuesa表示。“该模型可以产生重大的环境影响，并有助于确定我们未来最终面临的世界变暖情景。”