1. 首頁 > 云知道 > >

OpenFOAM+機器學習，要火到什么程度？

云知道


OpenFOAM+機器學習，要火到什么程度？


之前看機器學習+CFD的文章都是不明不白的 。因為做CFD的大部分就是做CFD的，做機器學習的只做機器學習 。兩者都搞清楚，需要二者都了解 。
這幾天看到一個論文挺有意思，至少講的比較清楚 。
作者們將OpenFOAM和Tensorflow捆綁起來，求解一些簡單的湍流模型 。并且結果非常好 。
OpenFOAM，是目前世界上最大的開源CFD軟件 。Tensorflow，Google出品，在機器學習領域絕對一流 。
OpenFOAM+Tensorflow，這簡直不火都不行啊 。
我們先看一下研究結果：
【OpenFOAM+機器學習，要火到什么程度？】
OpenFOAM+機器學習，要火到什么程度？


比如上圖中，頂上那個是機器學習預測出來的湍流粘度 。下面是CFD算出來的湍流粘度 ?？雌饋矸浅?。
下面是數據圖，看起來都是非常吻合：
OpenFOAM+機器學習，要火到什么程度？


核心是，我從這篇文章中了解到了一些細節的東西 。
目前文章中的工作，主要是對湍流粘度進行的研究 。因此，文中首先通過CFD進行大量的數據計算，然后feed到機器學習中進行訓練，就可以通過機器學習來預測湍流粘度 。
在通過機器學習獲得湍流粘度之后，CFD這面求解就會減少若干湍流模型PDE的求解 。
剩下的通過OpenFOAM求解壓力速度耦合就行了 。
要注意：這篇文章中是OpenFOAM + Tensorflow，而不是把OpenFOAM扔了直接上TensorFlow，CFD目測還是需要占據60%的 。因為他們只是對湍流粘度進行了研究 。
同樣，留下來的問題就是整體來講，CFD+機器學習是否會減少計算時間？因為雖然減少了若干湍流模型PDE的求解，但是機器學習訓練還需要一段時間 。
作者們這樣rebuttal的：
整體上，針對不同的數據這種加速不好預測 。但我們可以肯定，在去掉湍流模型PDE之后，我們的速度壓力耦合求解可以調用更大的松弛因子 。
舉例，我們采用SpalartAllmaras模型計算湍流粘度的時候，大約需要3600個迭代步才能收斂 。
但我們采用機器學習訓練后的湍流粘度，只需要600多步就收斂了！松弛因子可以調用到0.9！
后來，我就有點春春欲動了！
歐天吶，親愛的克魯斯！這看起來是一個非常好的路子??！
對于那些外形基本固定，只需要微調的工業設備，先不談工業化，從科研的角度來講，貌似是一個非常火的點子 。
添加微信免費咨詢更多建議
微信號：landuiyun001

    推薦閱讀