Identifier la bring about sous-jacente d’événements extrêmes tels que des inondations, de fortes averses ou des tornades est extrêmement difficile et peut nécessiter un effort and hard work concerté de la part des scientifiques sur plusieurs décennies pour parvenir à des explications physiques réalisables.
Les événements extrêmes entraînent des écarts importants par rapport au comportement attendu et peuvent dicter l’issue globale d’un selected nombre de problèmes scientifiques et de situations pratiques. Par exemple, les scénarios pratiques où une compréhension fondamentale des événements extrêmes peut être d’une relevance vitale incluent des vagues scélérates dans l’océan qui pourraient mettre en hazard les navires et les buildings offshore ou des « pluies millénaires » de as well as en plus fréquentes, comme le déluge potentiellement mortel en avril qui déposé 20 pouces de pluie sur une période de sept heures dans la région de Fort Lauderdale.
La physique des fluides, en particulier les écoulements turbulents, qui présentent un substantial éventail de comportements intéressants dans le temps et dans l’espace, est au cœur de la découverte de tels événements extrêmes. En dynamique des fluides, un écoulement turbulent fait référence à un écoulement irrégulier dans lequel se produisent des tourbillons, des tourbillons et des instabilités d’écoulement. En raison de la character aléatoire et de l’irrégularité des courants turbulents, ils sont notoirement difficiles à comprendre ou à appliquer de l’ordre au moyen d’équations.
Des chercheurs du Collège d’ingénierie et d’informatique de la Florida Atlantic College ont exploité une strategy d’apprentissage profond par eyesight par ordinateur et l’ont adaptée pour l’analyse non linéaire d’événements extrêmes dans des écoulements turbulents délimités par des murs, qui sont omniprésents dans de nombreuses programs de physique et d’ingénierie et ont un effects sur l’énergie éolienne et hydrocinétique. entre autres.
L’étude s’est concentrée sur la reconnaissance et la régulation des structures organisées au sein d’écoulements turbulents délimités par des parois en utilisant diverses procedures d’apprentissage automatique pour surmonter la mother nature non linéaire de ce phénomène.
Les résultats, publiés dans la revue Actual physical Review Fluids, démontrent que la procedure utilisée par les chercheurs peut s’avérer inestimable pour identifier avec précision les sources d’événements extrêmes d’une manière entièrement basée sur les données. Le cadre qu’ils ont formulé est suffisamment général pour être étendu à d’autres domaines scientifiques, où les dynamiques spatiales sous-jacentes régissant l’évolution des phénomènes critiques peuvent ne pas être connues à l’avance.
les chercheurs ont formé un réseau pour estimer l’intensité relative des structures d’éjection dans le cadre d’une simulation d’écoulement turbulent sans aucune connaissance a priori de la dynamique d’écoulement sous-jacente.
«
qui fournit une interprétation explicable des associations apprises d’un CNN liées aux événements d’éjection dans les écoulements turbulents délimités par les parois..
« Bien que l’identification à l’aide de methods telles que celles employées dans cette étude soit un objectif essential, le contrôle et la régulation de ces buildings cohérentes ont d’innombrables programs scientifiques et pratiques, comme la réduction de la traînée sur les navires ou l’efficacité des infrastructures de expert services publics », a déclaré Eric Jagodinski, Ph.D.. ancien doctorant du Collège d’ingénierie et d’informatique de la FAU et ingénieur principal en IA chez Northrop Grumman. « Cependant, le contrôle des écoulements turbulents constitue un problème difficile en raison de l’évolution non linéaire inhérente des buildings cohérentes. Il est donc important de les identifier avec précision. »
À l’aide du cadre CNN-GradCAM modifié, ils ont examiné les événements d’éjection intermittents, connus pour influencer la génération d’énergie cinétique turbulente dans les couches limites.
« Cette étude importante fournit une nouvelle compréhension des écoulements turbulents limités aux murs grâce à l’apprentissage profond », a déclaré Stella Batalama, Ph.D. doyenne du FAU Faculty of Engineering and Laptop Science. « Les techniques développées par nos chercheurs permettent de découvrir des relations non linéaires dans des systèmes massifs et complexes, comme les données que l’on trouve fréquemment dans les simulations de dynamique des fluides. »
Xingquan (Hill) Zhu, Ph.D. professeur au Département de génie électrique et d’informatique du Collège d’ingénierie et d’informatique de la FAU, est co-auteur de l’étude.
Ce travail a été soutenu par la Nationwide Science Foundation (NSF) (subvention CBET-2103536) et les ressources informatiques ont été fournies par la NSF (subvention CNS-1828181).
