Искусственный интеллект и гидродинамика: как новые подходы в моделировании изменят будущее дронов

Сфера гидродинамики и машинного обучения (ML) стремительно превращается в одну из самых перспективных областей для технологических инноваций. Недавний международный семинар, организованный Европейским исследовательским сообществом по потокам, турбулентности и горению (ERCOFTAC), подчеркнул растущую синергию этих дисциплин. Для индустрии гражданских БПЛА это событие имеет особое значение, поскольку прорывы в этой области напрямую влияют на аэродинамическую эффективность, уровень шума и общую производительность будущих беспилотников.

Ускорение инноваций: ключевые итоги семинара

Семинар «Машинное обучение для гидродинамики», организованный Специальной группой по интересам (SIG 54) ERCOFTAC, привлек более 160 участников со всего мира, включая специалистов из Европы, США, Канады, Японии и Кореи. Мероприятие стало платформой для обмена знаниями между исследователями в области гидродинамики, прикладными математиками и специалистами по компьютерным наукам.

Координатор группы, профессор Паола Чиннелла из Сорбоннского университета, отметила высокий уровень докладов, охвативших широкий спектр тем:

• Математические основы машинного обучения.
• Применение ML для дополнения гидродинамических моделей и обучения с подкреплением.
• Свойства и обучение нейронных дифференциальных уравнений.
• Моделирование турбулентного горения с использованием генеративного машинного обучения.
• Использование нейронных операторов для решения параметризованных задач потока.

Основная цель сообщества, по словам профессора Чиннеллы, — объединить разрозненных исследователей для выработки общих практик, тестовых случаев и стандартов для оценки и сравнения различных ML-подходов.

Почему это критически важно для аэродронной индустрии?

Моделирование гидродинамических процессов, таких как обтекание воздуха вокруг рамы дрона или его винтов, — чрезвычайно сложная и ресурсоемкая задача. Традиционно для этого требуются высокопроизводительные вычисления (HPC), занимающие много времени и стоящие дорого. Это замедляет циклы разработки и тестирования новых конструкций БПЛА.

Машинное обучение предлагает революционный подход. Вместо прямого решения сложных уравнений, ML-модели могут:

• Эмулировать (ускорять) дорогостоящие симуляции, предоставляя результаты на порядки быстрее.
• «Дополнять» дешевые модели с низкой точностью, используя данные из высокоточных симуляций для повышения их качества.
• Извлекать скрытые закономерности из больших объемов данных для оптимизации аэродинамических форм.
• Создавать стратегии управления полетом в сложных, турбулентных условиях.

Для гражданских дронов это открывает путь к созданию более эффективных, тихих и стабильных аппаратов. Оптимизация аэродинамики винтов может значительно снизить уровень шума, что является ключевым требованием для полетов в городской среде. Улучшение стабильности и предсказуемости поведения в ветреную погоду повысит безопасность полетов, а ускорение циклов проектирования позволит производителям быстрее выводить на рынок новые, более совершенные модели.

«Проблемы гидродинамики очень нелинейны и многомасштабны. Хотя существует целая иерархия моделей для их изучения, достичь высококачественных решений без использования «грубой силы» методов HPC остается очень сложной задачей. Однако наивное применение существующих инструментов машинного обучения, изначально разработанных для компьютерного зрения или других чисто статистических задач, недостаточно. Необходимы совместные усилия гидродинамиков, специалистов по компьютерным наукам и прикладных математиков для разработки методов машинного обучения, адаптированных для физических проблем. Именно этим и пытается заниматься наша группа SIG 54».

— Паола Чиннелла, профессор Сорбоннского университета, координатор ERCOFTAC SIG 54

Перспективные направления и будущие разработки

Профессор Чиннелла выделила несколько ключевых направлений, за которыми стоит внимательно следить:

1. Нейронные операторы: перспективный подход для изучения взаимосвязей между функциональными пространствами, например, для определения связи между геометрией объекта и полем потока вокруг него.
2. Моделирование турбулентности на основе данных: этот подход помогает возродить исследования моделей, основанных на осредненных по Рейнольдсу уравнениях (RANS), которые были почти заброшены более десяти лет.
3. Многоуровневые супермодели: объединение моделей с низкой точностью и моделей, разрешающих масштабы, чрезвычайно привлекательно для задач оптимизации формы или количественной оценки неопределенности.

Эти исследования уже находят практическое применение. Профессор Чиннелла участвует в европейском проекте SciFiTurbo, цель которого — использовать машинное обучение для проектирования авиационных двигателей следующего поколения. Кроме того, в Сорбоннском университете создается кафедра по теме «Машинное обучение для науки», которая будет исследовать генеративный ИИ для описания и прогнозирования гидродинамических систем.

Что дальше: планы сообщества и практическое значение

Успех первого семинара вдохновил организаторов на создание ежегодной серии конференций. Следующее мероприятие, совместное с Euromech, запланировано на 2025 год. Это говорит о долгосрочных намерениях научного сообщества развивать данное направление.

Для операторов и производителей дронов это означает, что фундаментальные научные исследования уже в среднесрочной перспективе начнут воплощаться в коммерческих продуктах. Можно ожидать появления БПЛА с более длительным временем полета за счет улучшенной аэродинамики, сниженным акустическим следом для городских миссий и повышенной надежностью при работе в сложных метеоусловиях. Таким образом, работа, проводимая сегодня в лабораториях ERCOFTAC и Сорбонны, закладывает фундамент для следующего поколения гражданских беспилотных авиационных систем.

* Источник фото — zenotech.com