Utveckling av effektiva CFD-simulatorer baserade på fysikinformerad maskininlärning

Viktiga resultat som projektet gav

Syfte och mål: (1) utveckla nya AI-metoder för effektiv flödessimulering, som beaktar problemgeometrier och symmetrier för att uppnå bästa resultat; (2) utvärdera metoder från (1) och jämföra med traditionella flödessimuleringsmetoder samt mer naiva ML-baserade lösningar; (3) kommunicera och bygg nätverk med forsknings- och industriaktörer med intressen i tekniker av typ (1). Alla mål uppfylldes; t.ex. visade vi att vår metod (1) är signifikant snabbare jämfört med traditionella flödessimuleringsmetoder och ger betydligt bättre resultat jämfört med simplare AI-metoder.

Långsiktiga effekter som förväntas

Vi visade vi att vår AI-metod är signifikant snabbare jämfört med traditionella flödessimuleringsmetoder och ger betydligt bättre resultat jämfört med simplare AI-metoder. Dessutom resulterade projektet i stärkt samarbete med aktörerna i referensgruppen (SMHI, WIN Guard). Sammantaget ser vi stor potential i den framtagna AI-metoden när det kommer till att accelerera flödessimuleringar, vilka utgör grunden för en stor mängd tekniker och lösningar som är centrala för vårt moderna samhälle och dess möjlighet att utvecklas i en mer hållbar riktning.

Upplägg och genomförande

Vi började med en litteraturstudie, följt av simulering av data med viss turbulens, med relevans för praktiska tillämpningar. Sedan implementerade vi en snabb och effektiv s.k. ekvivariant AI-modell för flödessimulering. Vi avslutade med utvärdering av modellen och skrev en preprint för publicering (nu under granskning). Vi hade löpande diskussion med projektparter för insikt i deras problem och för att bygga långsiktiga kontakter. Trots vissa tekniska utmaningar har projektet gått bra; vi har ökat vår förståelse och inlett en långsiktig relation med projektparterna.

Externa länkar

Utvecklad kod, teknisk rapport med mera Pouplärvetenskaplig webbsida för projektet