Атмосферная турбулентность — частый виновник неспокойных полётов, но хаотическое движение турбулентных потоков остаётся нерешённой проблемой в физике. Чтобы разобраться в системе, команда исследователей использовала объяснимый ИИ, чтобы определить наиболее важные области в турбулентном потоке, согласно исследованию, опубликованному в журнале Nature Communications под руководством Мичиганского университета и Политехнического университета Валенсии.
Более чёткое понимание турбулентности может улучшить прогнозирование, помогая пилотам облетать турбулентные зоны, чтобы избежать травм пассажиров или повреждения конструкций. Это также может помочь инженерам управлять турбулентностью, усиливая её для промышленного перемешивания, например, при очистке воды, или ослабляя для повышения топливной эффективности транспортных средств.
«Более века исследования турбулентности борются с уравнениями, слишком сложными для решения, экспериментами, слишком трудными для проведения, и компьютерами, слишком слабыми для моделирования реальности. Искусственный интеллект теперь предоставил нам новый инструмент для решения этой задачи, что привело к прорыву с глубокими практическими последствиями», — сказал Серхио Хойас, профессор аэрокосмической инженерии в Политехническом университете Валенсии и соавтор исследования.
Классические методы против нового подхода
При моделировании турбулентности классические методы пытаются выделить наиболее влиятельные элементы, используя физические уравнения или наблюдая за структурами, которые можно легко увидеть в экспериментах, такими как вихри.
Новый метод смещает фокус с простого прогнозирования турбулентности на лучшее понимание системы. Он исследует весь поток без предварительных предположений, удаляя каждую точку данных одну за другой, чтобы рассчитать её важность.
Вопреки классическим предположениям, вихри имели лишь небольшое значение вдали от стенки — границы между турбулентным и гладким воздухом. Вместо этого напряжения Рейнольдса (трение, возникающее при столкновении жидкостей с разной скоростью) были наиболее влиятельными очень близко и очень далеко от стенки, в то время как полосы (удлиненные ленты быстрого и медленного движения воздуха, идущие параллельно потоку) преобладали на умеренных расстояниях.
«Если вы сложите все классические взгляды вместе, они приблизятся к реконструкции всей истории. Если вы возьмёте каждый из классических взглядов по отдельности, вы получите частичную историю», — сказал Рикардо Виньюеса, доцент кафедры аэрокосмической инженерии в Мичиганском университете и соавтор исследования.
До сих пор исследователи не могли полностью понять, как перемещаются турбулентные потоки или рассеивают энергию. Уравнения для описания движения жидкости взяты из уравнений Навье-Стокса, которые хорошо работают для гладких, предсказуемых потоков и слабой турбулентности.
Для интенсивной турбулентности, то есть почти для каждого потока, представляющего практический интерес, уравнения всё ещё действительны, но требуют огромных вычислительных мощностей для решения.
Турбулентность по своей природе хаотична, с градиентами скорости, которые могут стать чрезвычайно большими — приближаясь к почти сингулярному поведению. В таких условиях поле потока имеет фракталоподобную структуру, характеризующуюся сложными и высокоорганизованными пространственными конфигурациями.
Это сложное поведение обусловлено сложным взаимодействием между линейными и нелинейными членами уравнений Навье-Стокса. Это такая фундаментальная загадка, что Математический институт Клэя назвал её одной из семи задач тысячелетия, предложив 1 миллион долларов за демонстрацию существования и уникальности гладкого решения этих уравнений.
Объяснение с помощью ИИ
Хотя вычислительная техника, называемая прямым численным моделированием, может моделировать небольшие участки турбулентных потоков с высокой точностью, её использование в более крупных масштабах слишком дорого.
Для обхода этой проблемы исследовательская группа объединила прямое численное моделирование с объяснимым ИИ, чтобы получить новое представление о турбулентных потоках. Сначала исследовательская группа использовала данные прямого численного моделирования для обучения модели ИИ, чтобы предсказать турбулентный поток. Затем они использовали Shapely additive explanations (SHAP) для расчёта важности каждого входного параметра первой прогностической модели ИИ. Этот подход удаляет каждый входной параметр и измеряет, насколько он влияет на точность прогнозирования.
«SHAP — это как удаление каждого игрока футбольной команды по одному, чтобы понять, как каждый человек влияет на производительность команды, помогая найти наиболее ценных игроков», — сказал Виньюеса.
Когда метод SHAP в сочетании с глубоким обучением с подкреплением был протестирован, он превзошёл классические подходы, снизив трение на крыле самолёта на 30%. Впервые мы точно знаем, какие структуры являются наиболее важными в турбулентном потоке.
«Это означает, что мы можем нацелиться на эти области для разработки стратегий управления, которые уменьшают сопротивление, улучшают сгорание и более эффективно снижают уровень городского загрязнения, поскольку мы теперь можем предвидеть динамику системы», — сказал Андрес Кремадес, доцент кафедры аэрокосмической инженерии в Политехническом университете Валенсии и соавтор исследования.
Исследователи отмечают, что эту технику можно применить к проблемам, выходящим за рамки турбулентности. «Для любой физической задачи вы можете определить важные и неважные особенности и использовать их для оптимизации, управления или других приложений в дальнейшем», — добавляет Виньюеса.