Hur kan djupinlärning användas inom strömningsmekanik?

För det första använder vi recurrent neurala nätverk (RNN) för att reproducera resultat från en lågdimensionell modell (en så kallad väggcykelmodell) av turbulens nära en fast yta. Resultaten visar att RNN kan reproducera dynamiken i referensdatabasen från modellen. För det andra använder vi convolutional neurala nätverk (CNN) för icke-påträngande avkänning, dvs för att förutsäga flödet i en turbulent öppen kanal baserat på storheter uppmätta vid väggen. Vi visar att det är möjligt att få mycket goda flödesprognoser som ger bättre resultat än traditionella linjära modeller, till exempel ”linear stochastic estimation”. Vi visar även potentialen för överföringsinlärning mellan olika Reynoldstal (specifikt mellan friktionsbaserade Reynoldstal 180 och 550; detta tal beskriver sambandet mellan fluidens viskocitet, strömningens hastighet och kanalens dimension). Dessa avkänningsmodeller förväntas spela en viktig roll för återkopplad reglering av väggbunden turbulens.