Utveckling av effektiva CFD-simulatorer baserade på fysikinformerad maskininlärning

Syfte och mål

Projektets syfte är att avsevärt snabba upp befintliga CFD-lösare genom att integrera dem med state-of-the-art maskininlärningsmetoder (ML). Inom projektet kommer vi att implementera en grafbaserad neural accelerationsmodell för att accelerera en iterativ CFD-lösare och på så sätt förbättra beräkningseffektiviteten. Målet är att utvärdera hur mycket snabbare vår hybrid-fysik-ML-metod kan göra förutsägelser, med fokus på turbulensmodellering, samtidigt som vi bibehåller samma noggrannhetsnivå som helt fysikbaserade alternativ.

Förväntade effekter och resultat

CFD-simuleringar är fundamentala byggstenar inom en rad samhällssektorer och industrier. Metoder som avsevärt förbättrar hastigheten eller noggrannheten för sådana simuleringar kan således få enorm inverkan. I detta projekt kommer vi att utvärdera simuleringar med vår hybrid-fysik-ML-metod och jämföra dem med rena CFD-metoder såväl som rena datadrivna metoder. Resultaten av steg 1 kommer att vägleda kring vilka applikationsområden och användningsfall som är mest lämpade för tekniken och kommer att styra valet av projektpartners för steg 2.

Planerat upplägg och genomförande

Modellering och träning kommer att ske iterativt för att säkerställa att datainsamling genererar relevanta resultat för modelleringen i alla stadier. Utvärdering av modeller kommer att ske under M4-M7, där valideringsdata används för att styra val av hyperparametrar. Jämförelser kommer att utföras på en separat testuppsättning för att undvika overfitting av valideringsdata. Projektledning kommer att löpa genom hela projektet, med fokus i ett tidigt skede på validering av use-case med nyckelintressenter, och i sent skede fokus på rapportering och förberedelser inför steg 2.