生成式人工智能预测方柱绕流湍流场的创新研究

《Water Science and Engineering》:Prediction of turbulent flow over a single square cylinder using generative artificial intelligence

【字体: 大 中 小 】 时间:2026年01月05日 来源:Water Science and Engineering 4.3

编辑推荐:

  本研究针对传统计算方法在模拟钝体(如方柱)湍流场时面临的涡旋脱落和流动分离等复杂物理过程挑战,开发了一种基于生成式人工智能(GenAI)的新方法。研究人员利用先进的可微分物理框架(PhiFlow)生成高保真仿真数据训练模型,结果表明该模型能够准确预测单方柱绕流的关键特性(包括涡旋脱落频率),且与数值模拟结果高度一致。这项研究为流体动力学研究和工程应用提供了高效精准的预测工具,展示了GenAI在复杂流动建模中的巨大潜力。

  
在流体力学和海洋工程领域,准确预测水流绕过结构物(如桥墩、海上平台支柱)时产生的复杂湍流现象,始终是一项重大挑战。这些钝体周围的流动会分离并形成周期性的涡旋脱落,即著名的卡门涡街,从而产生脉动压力并可能引发结构振动。传统的计算流体动力学(CFD)方法,如直接数值模拟(DNS)和大涡模拟(LES),虽然精度高,但计算成本极其昂贵,尤其在高雷诺数(Reynolds number, Re)的实际工程场景下,往往难以实现快速或大规模的模拟。尽管机器学习(ML)方法提供了一种更高效的替代方案,但其在长期预测中可能存在不稳定性及误差累积的问题。因此,开发一种既能保证精度又能显著提高计算效率的新型预测工具,对于优化工程设计、保障结构安全具有迫切的需求。
在此背景下,发表在《Water Science and Engineering》上的这项研究,引入了一种前沿技术——生成式人工智能(Generative Artificial Intelligence, GenAI),旨在革新对方柱这一典型钝体周围湍流场的预测方法。该研究探索了扩散模型(Diffusion Model)这一强大的生成式AI在捕捉复杂流动非线性动力学方面的潜力。
为了开展这项研究,研究人员主要采用了几个关键技术方法:首先,利用基于可微分编程的先进物理仿真框架PhiFlow进行高保真度的湍流数值模拟,生成用于模型训练的数据集,模拟涵盖了从层流到湍流过渡的宽雷诺数范围(Re = 200–1000)。其次,构建并训练了一个条件扩散模型,其核心是一个结合了ConvNeXt块和注意力机制的U-Net结构神经网络,该模型通过学习从噪声中迭代去噪的过程来预测流场。最后,采用学习相似性度量(LSiM)等多种指标,将AI模型的预测结果与传统的CFD模拟结果进行严格的定量对比验证,以评估其准确性、稳定性和频谱特性。
3.1. 数值模拟结果
研究人员首先通过PhiFlow模拟获得了单方柱在不同雷诺数下的详细流场结构。结果显示,在高雷诺数(Re = 1000)下,流动表现出高度的非定常性和混沌特性,方柱后方形成了清晰且不规则的卡门涡街,涡旋交替脱落,尾流区湍流强度大。而在低雷诺数(Re = 200)下,流动相对平稳,涡旋脱落更规则和对称。此外,还模拟了雷诺数从200平滑增加到900的过渡过程,清晰地展示了流动从层流状态经周期性涡脱发展到充分湍流状态的完整演变。这些高保真模拟数据为后续AI模型的训练提供了可靠的“地面真值”。
3.2. 扩散模型结果
接下来,研究重点评估了扩散模型的预测性能。相关性分析表明,对于训练集范围内的高、低恒定雷诺数工况,模型在长达60个时间步的预测中与参考模拟保持了极高的相关性(相关系数分别维持在0.975和0.970以上),显示出优秀的短期和中期预测能力。稳定性分析也表明模型在这些工况下误差积累缓慢,表现稳定。然而,对于训练集未充分覆盖的平滑变化雷诺数工况,模型的预测性能在后期有所下降,这表明模型在处理流态连续演变的外推问题时面临挑战。空间和时间频率分析是评估湍流模拟质量的关键。扩散模型成功复现了参考模拟中主导的涡旋脱落频率以及主要的空间谱特征,表明其能够捕捉湍流的核心物理机制。尽管在高波数区域存在一些偏差,但整体频谱特性与物理预期相符。定量指标对比进一步证实,扩散模型在高、低雷诺数下的预测误差(如均方误差MSE)很小,而在变雷诺数工况下误差较大,这突显了模型在训练数据分布内的强大性能以及对外推的局限性。
研究的结论部分明确指出,基于PhiFlow的数值模拟能够有效捕捉方柱绕流的复杂动力学行为,而扩散模型则展现出在高精度预测湍流场方面的巨大潜力。该模型能够准确再现关键流动特征,如涡旋脱落和尾流结构,且计算效率相较于传统CFD方法有望显著提升。稳定性与频谱分析结果也表明,模型预测与物理规律具有良好的一致性。
在讨论中,研究人员也坦诚地指出了当前研究的局限性。例如,模型的训练数据集中于单一几何形状(方柱),可能限制其向其他几何外形(如圆柱、翼型)的泛化能力。此外,扩散模型迭代去噪的推理过程仍有一定的计算开销,并且模型缺乏显式的物理约束,其预测结果的物理可解释性有待进一步深入分析。
尽管存在这些挑战,这项研究的意义依然重大。它成功地将生成式AI(特别是扩散模型)引入到湍流这一经典物理问题的建模中,为流体力学研究提供了全新的数据驱动范式。所开发的模型作为一种高效的代理模型(Surrogate Model),有望在需要快速流场预测的工程场景(如实时控制、参数优化、不确定性量化)中发挥重要作用。未来,通过扩展训练数据集涵盖更广泛的几何形状、流动条件,并融入物理约束(发展物理信息神经网络PINNs),GenAI模型在复杂流体系统预测和应用方面的能力必将得到进一步增强,为水利工程、海洋工程和航空航天等领域的设计与安全评估提供更强大的工具。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号