семинары
10.03.2026
Аннотация:
Приведен обзор методов машинного обучения [1], используемых при решении задач механики жидкости и газа, а также современных направлений исследования в этой области и моделей, создаваемых на основе данных. Основные направления включают:
(а) извлечение характеристик потока из высокоточных данных измерений, DNS, LES, с уменьшением размерности в моделях пониженного порядка, суррогатных моделях;
(б) моделирование течений и тепломассопереноса (уточнение аппроксимаций модели на основе высокоточных данных);
(в) автоматизация задач по оптимизации и управлению потоком, тепломассообменом [2].
Рассмотрены примеры применения ряда методов машинного обучения для решения задач управления течением и моделирования турбулентности [3].
[1] Brunton S.L. et al. Machine learning for fluid mechanics // Ann. Rev. Fluid Mech. 2020.
[2] Brunton S.L., Noack B.R. Closed-loop turbulence control: progress and challenges // ASME Appl. Mech. Rev. 2015.
[3] Duraisamy K. et al. Turbulence modeling in the age of data // Ann. Rev. Fluid Mech. 2019.
Ссылка для подключения:https://hydro.ktalk.ru/r8qyrquvnqgs
Онлайн-семинар журнала Прикладная механика и техническая физика
Уважаемые коллеги, во вт 17.03 в 15:00 НСК с докладом «Методы машинного обучения для управления течением и моделирования турбулентности» выступит Сергей Николаевич Яковенко, в.н.с. ИТПМ СО РАНАннотация:
Приведен обзор методов машинного обучения [1], используемых при решении задач механики жидкости и газа, а также современных направлений исследования в этой области и моделей, создаваемых на основе данных. Основные направления включают:
(а) извлечение характеристик потока из высокоточных данных измерений, DNS, LES, с уменьшением размерности в моделях пониженного порядка, суррогатных моделях;
(б) моделирование течений и тепломассопереноса (уточнение аппроксимаций модели на основе высокоточных данных);
(в) автоматизация задач по оптимизации и управлению потоком, тепломассообменом [2].
Рассмотрены примеры применения ряда методов машинного обучения для решения задач управления течением и моделирования турбулентности [3].
[1] Brunton S.L. et al. Machine learning for fluid mechanics // Ann. Rev. Fluid Mech. 2020.
[2] Brunton S.L., Noack B.R. Closed-loop turbulence control: progress and challenges // ASME Appl. Mech. Rev. 2015.
[3] Duraisamy K. et al. Turbulence modeling in the age of data // Ann. Rev. Fluid Mech. 2019.
Ссылка для подключения:https://hydro.ktalk.ru/r8qyrquvnqgs