Upp till 50 procent minskat luftmotstånd
Luftmotståndet är en bidragande orsak till de globala utsläppen. Så här kan ny utveckling inom djupinlärning bidra till att minska det.
Verktyg för djupinlärning har revolutionerat den aerodynamiska konstruktionen av flygplan, bilar och fartyg, vilket har gjort dessa farkoster mer bränsleeffektiva och strukturellt raffinerade. En ny beräkningsmodell driver vetenskapen om att reproducera luftflöden ännu längre, genom att förlita sig på neurala nätverk för att generera exakta förutsägelser och samtidigt spara tid, kostnader och energi.
Forskare vid KTH i Sverige, och universitet i USA och Spanien har precis publicerat modellen i Nature Communications och rapporterar att den ger en hög grad av noggrannhet när det gäller att förutsäga luftmotstånd med en betydligt lägre beräkningskostnad.
Förutsägelser ur kaoset i luftflödet
Ramverket är enkelt i sin utformning och byggt med hjälp av data från mer komplexa simuleringar, och är vad som kallas en reducerad modell (ROM). Som namnet antyder behålls de viktigaste egenskaperna hos mer detaljerade modeller medan mindre viktiga detaljer utelämnas.
– Poängen är att minska beräkningskomplexiteten och göra simuleringar och analyser mer effektiva. Konstruktionsteknik kräver att man kan köra många olika scenarier till en låg beräkningskostnad. Med hjälp av den här modellen kan vi få ganska exakta förutsägelser av många scenarier, säger Ricardo Vinuesa, huvudforskare och docent i strömningsmekanik vid KTH.
Användningen av neurala nätverk är det som lyfter modellen bortom de modeller som ingenjörer vanligtvis har använt för att göra förutsägelser ur kaoset i luftflödet, fortsätter han.
Löst baserade på hjärnans funktion
Standardmodellering med reducerad ordning inom fluidik bygger på linjära beräkningar som – enkelt uttryckt – ger förutsägelser genom att addera och skala upp värden. Neurala nätverk är däremot löst baserade på hjärnans funktion.
Eller till och med mycket löst, varnar Ricardo Vinuesa.
– Det betyder inte att modellen kan tänka själv, som många tror. Men vad de kan göra - till skillnad från linjära modeller - är att lära sig och kartlägga invecklade relationer mellan in- och utdata. Detta anses vara en värdefull förmåga när man försöker sig på den ökänt komplexa uppgiften att förutsäga och modellera luftfriktion nära ytan på en flygplansvinge eller en tågmotor.
Han tillägger forskarna bättre kan förutsäga hur flödet runt en flygplansvinge förändras över tiden. Om de kan förutsäga detta bättre kan de också kontrollera flödet för att minska luftmotståndet, och de kan också förbättra den aerodynamiska utformningen av vingen.
90 procent eller mer
Den nya modellen kan fånga det mesta av den ursprungliga fysiken i en flödesprognos, 90 procent eller mer, med relativt liten bearbetningskomplexitet. Som jämförelse är det mycket mer komplicerat att nå den noggrannhetsnivån för avancerade linjära modeller som proper-orthogonal decomposition (POD) och dynamic-mode decomposition (DMD).
Ricardo Vinuesa forsätter berätta att linjära modeller representerar i princip sina förutsägelser på ett mycket enkelt sätt genom relationer som kan förenklas till raka linjer och plan. Men verkligheten är mer komplicerad. Det är därför som modeller som inte baseras på raka linjer, utan på alla möjliga andra former, gör att forskarna kan få bättre förutsägelser. Vilket är viktigt med tanke på att luftmotståndet är en betydande bidragande orsak till de globala utsläppen.
– Om tekniken används för aerodynamisk kontroll kan den leda till minskad luftmotstånd med 20, 30 eller till och med 50 procent. Det kan få en betydande miljöpåverkan och bidra till att avgöra vilken typ av uppvärmningsscenario vi kommer att hamna i i framtiden. De miljömässiga och ekonomiska konsekvenserna är enorma.
Text: David Callahan ( callahan@kth.se )
För mer information, kontakta Ricardo Vinuesa på 08 - 790 71 52 eller rvinuesa@mech.kth.se.