Foto: AU Foto
Turbulens spiller en central rolle i overordentlig mange systemer, både naturlige og tekniske. At forstå og forudsige nøjagtige detaljer i turbulente strømme er derfor af afgørende betydning.
Selv med moderne supercomputere er det umuligt at simulere mange af de turbulente systemer, som ellers er vigtige for os at forstå. Eksempelvis kan vi stadig kun simulere et lille udsnit af en stor vindmøllepark, og hvis vi ikke nøjagtigt kan simulere atmosfærens turbulente strømninger gennem parkerne, bliver det meget svært for os at optimere dem til fremtidens energiproduktion og -behov.
Problemet med modellering af turbulens handler om meget mere end bare vindmølleparker. Måske vil vi designe en mere brændstoføkonomisk motor, fly, der ikke larmer så meget, eller gøre shippingindustrien mere energieffektiv.
Normalt ville vi simulere systemerne og optimere fysikken. Men det kan vi ikke gøre her, for turbulens er så kompliceret, at det kræver simuleringer med umuligt høje opløsninger. Så så snart vi har en model, er den ufuldstændig, for den er bygget med adskillige forenklede antagelser under idealiserede forhold. Det er udfordringen ved turbulens: Det er et yderst kompliceret, multiskala, ustabilt og ikkelineært problem.
Vi foreslår en ny tilgang til turbulensmodellering via såkaldt ’physics-constrained’ maskinlæring. Hypotesen er, at den underlæggende fysik, som bliver ignoreret i nuværende modeller, i langt højere grad kan indfanges gennem datadrevne modeller, der benytter førende maskinlæringsteknikker.
Modellen kan i så fald bruges til modellering af ethvert flowproblem i enhver applikation. Baseret på den enorme mængde data, som vi har adgang til i dag, og den massive investering, som industrien lægger i at bruge datadrevet design og optimering, har projektet potentiale for at levere banebrydende resultater.
