BSC研究展示AI如何改进复杂流体模拟

湍流模拟在流体力学中至关重要，因为它们帮助科学家理解和预测空气与液体的复杂运动，例如飞机周围的气流、城市中的风，或河流中的水。然而，这些计算模型会产生大量"噪声"数据，使得从中提取有用信息并高效复用变得困难。

为应对这一长期挑战，西班牙的巴塞罗那超算中心——国家超级计算中心（BSC-CNS）的研究人员开发了一种基于人工智能的方法，能够过滤掉这些噪声，仅保留最相关的流场模式。通过以更简单、更稳定的方式表示复杂湍流，该方法能够在更短时间内、以显著更低的计算成本分析和预测流场行为。

这项研究由BSC大规模计算流体动力学小组的研究员Rakesh Halder领导，同组负责人Oriol Lehmkuhl和前BSC研究员Benet Eiximeno参与其中。该文章已被《流体物理学》选为编辑精选，这是期刊每期中编辑认为特别值得注意的论文所获得的荣誉。

高保真流体模拟广泛应用于研究从空气动力学和交通运输到工业设计中的湍流，帮助预测风对建筑物和桥梁的影响，并优化涡轮机和其他能源系统的设计。然而，小尺度湍流结构的混沌性质使这些模拟对计算资源的需求极高，限制了它们在实时分析或设计优化过程中的应用。

为克服这些限制，研究人员开发了一种基于人工智能的降阶模型。该方法结合了变分自编码器——一种深度学习技术——与Koopman理论，学习湍流的简化表示。这使得模型能够专注于大尺度流场模式，同时自动过滤掉在长时间跨度上难以预测的小尺度波动。

"目标不是预测湍流的所有尺度，而是准确捕获对工程应用最相关的优势流场行为。这使得构建更易处理的代理模型成为可能，在降低计算成本的同时仍提供可靠的预测。"Rakesh Halder表示。

该方法在不同条件下对类几何体周围湍流气流的模拟进行了测试。结果表明，基于AI的模型保留了关键的大尺度流场特征，并在时间上保持稳定，使其成为快速、可靠流场分析的有前景工具。

据研究人员介绍，未来工作将重点是将该方法扩展到更复杂的几何形状和三维流场，进一步拓宽其在科学研究和工业环境中的潜在应用。